核磁干货 | Gretna数据预处理与网络属性计算教程
是新朋友吗？记得先点蓝字关注我哦～
对于近红外课程感兴趣的朋友，可以点击下面这条链接报名。
🤞🤞🤞🤞🤞🤞🤞🤞🤞🤞🤞🤞🤞
核磁数据处理的干货
1. 数据预处理
与一般磁共振影像的预处理过程基本一致，不同在于不需要做smooth，因为网络分析对空间精度的要求高，smooth会影响相邻的ROIs的激活。
1.1 Dicom-to-Nifti
可选择转为4D的nifti数据。
1.2 Remove volumes
一般选择去除前5或前10张图。
1.3 Slice timing
参考层选中间层。
1.4 Normalize
分To EPI，T1Unified Segment, DARTEL三种：
To EPI：直接将个体EPI图像配准到标准的EPI模板上；
T1 UnifiedSegment：先将个体T1相配准至个体EPI图像上，再通过segment将个体T1相切割出灰质，白质，脑脊液三种成分，将切割后得到的配准参数用于将个体EPI图像配准至标准MNI空间；（理论上比To EPI更精准，但存在segment出问题的可能，受reorient的影响较大，实际效果To EPI可能更好）
DARTEL：特点是会生成所处理的数据自身的T1模板进行配准，耗时长，较少使用。
1.5 Detrend
去线性漂移
1.6 Filter
滤波：0.01- 0.1
1.7 Covariance regress
Global Signal：是否去除全脑信号，可去可不去，一般先不去，全脑信号也有生理意义；
Head motion：选择Frison - 24
其他默认
1.8 Scrubbing
对头动的处理，选做，但推荐做。该算法会整合Realign所得到的6个头动参数计算出新的指标FD值（volume与上一个volume间的相对位移），去除或替换FD值过大的Volume（Threshold为0.5，一般选择去除，直接移除相应图像，图像总数会减少），移除图像占比过大则该被试需要剔除（比较常见且严格的标准为20%），平均FD大于0.5的被试也需要剔除，同时可以比较不同组的被试的FD是否相同。
有核磁数据处理需要可以联系我们
2. Gretna 网络构建
选入”StaticCorrelation”
Atlas：选择脑图谱，常见有：AAL90_3mm（后面的值与normalize时的voxel大小一致），Dos 160（Science 2010的模板，划分为5个网络），Power264（Neuron 2011的模板，划分为12个网络），Random 1024（在AAL90的基础上随机划分，选取中心所生成的1024个ROI，有文献显示1024做网络分析的效果比AAL90好，但耗时久）（一般选取AAL90）。
Fisher’s ZTransform：选True，
Output：GretnaSFCMatrixR：原始矩阵（r值），GretnaSFCMatrixZ：Fisher’sZ转换后的脑网络矩阵，后续脑网络属性计算如果选择binary则两个矩阵都行，如果选择weighted则使用原始矩阵。
3. 网络属性
从文章的写作思路，网络属性一般分为四大类：1. 小世界属性；2.效能；3. Rich Club；4. 模块化，每个类别都可以单独组成一篇文章，也可以多种属性结合。
从网络属性的计算方式，可分为全局属性（整个网络的属性），节点属性（某单个节点的属性）；
3.1 小世界属性
计算小世界属性前，需要先计算网络的最短路径 (path length) 和集聚系数 (clustering coefficient) 。
最短路径：某一节点到另一节点所需经过的最短连接数，网络中任意两个节点的最短路径的平均值则为该网络的最短路径指数。该属性反映了网络的长程传输效率。
集聚系数：某一节点邻近节点间相互连接的概率（邻近节点：存在直接连接的节点，计算公式为：邻近节点间的连接数/邻近节点间最大的连接数），网络中所有节点的集聚系数的平均值则为该网络的集聚系数。该属性反映近程传输效率。
4. 网络属性分析过程
Networktype：weighted为保留连接原本的值（如相关系数），binary则将超过阈值的权重都赋值为1，选择binary更多，选择weighted要看权重的含义，若权重代表路径长度没问题，若权重代表关联程度，纤维束数量等，则需要求倒数等，但求倒数的含义难解释，所以更多直接用binary。Binary的输入可选择原始网络矩阵也可以选择Z转换后的网络矩阵，weighted则选择原始矩阵。
功能相数据需要先卡阈值，去除噪声保留重要的连接，有两种卡阈值的方法：单阈值，多阈值。DTI数据因为本身网络矩阵较稀疏，不需要卡阈值，可直接将FA值或白质纤维数作为矩阵的权重纳入分析。
4.1 功能相图像卡阈值的方法
单阈值：对每个相关矩阵进行FDR/Bonferrno矫正，无法通过较正的连接赋值0，通过矫正的连接赋值1；（运行Network_single_threshold.m，可修改第6行参数，1为使用Bonferrno矫正，2为使用FDR矫正）
多阈值：在Thresholding Method的Method上选择NetworkSparsity（稀疏度S，即权重排前S %的连接，取值为0 - 1），Threshold Sequence：输入Sparsity的范围，计算不同稀疏度下的网络属性。
Output：
a*为前缀的文件：网络属性对应的AUC值（曲线下面积），通过计算曲线下面积代表该被试在多阈值下的网络属性，用于组间统计；
*_ALL_Thres为后缀的文件：所有稀疏度下的网络属性，行代表被试，列代表不同的稀疏度。
Sparsity取值范围的确定：需要确定最小值，步长（即间隔，一般取0.01），最大值。最小值为2log(N)/(N-1)，N为ROI数量；最大值需要先计算不同Sparsity下的小世界属性（选取的范围如，在最小值的基础上，间隔0.01，至0.5，最大值设大点，保证真正的最大值在这区间里），随Sparsity的增大，网络属性从随机网络向正则网络转变，Sigma值先增大再减少，为确保网络的小世界属性，Sigma的最小值要大于1.1，所以Sigma值刚好大于1.1时的Sparsity值即为最大值，得出最大值后再次计算网络属性，并使用相应AUC值进行统计分析。
Gretna中提供的计算下限的方法：gretna_get_rmax(rand(90,90))，输出的b为下限，这种方法计算的下限偏低。
下限太低，网络连接太少无法连通，上限太高，连接太多没意义。
（Ref: Zhang, J., Wang, J., Wu, Q., Kuang, W., Huang,X., He, Y., & Gong, Q. (2011). Disrupted brain connectivity networks indrug-naive, first-episode major depressive disorder. Biological psychiatry,70(4), 334-342.）
4.2 网络属性的计算
大多数网络属性直接放入计算即可（如，小世界属性，效能，节点属性），但Rich Club（需要先确定组的Rich club节点）和模块化（modular interaction）（需要在组的网络矩阵上划分模块）需要先计算组的网络矩阵，再进行属性的计算。
4.2.1 生成组水平矩阵
DTI数据：运行DTI_common_mask.m，采用的标准：80%以上（在脚本的threshold参数处可修改标准）的被试有的连接则赋值1，其他赋值0；
功能相数据：多阈值的生成组图的方法：先卡多阈值筛选脑网络矩阵，计算AUC值得到组的脑网络矩阵；
（参考：Apolipoprotein E e4 Modulates Functional BrainConnectome in Alzheimer’s Disease这篇文章，功能相数据做rich club，modular interaction都采用卡单阈值的方法，对每个相关矩阵做Bonferrno矫正）
4.2.1 Rich Club的计算
（1）先计算不同个体的rich club属性（使用gretna计算global rich club），确定不同组的被试是否具有rich club特性，norm > 1（norm为real/random的值）（运行脚本rich_club_statistics）；
（2）确定Rich Club节点（度值大于k的节点，度值范围参考前人文献以及第一步结果（使用语句：find(sum(DTI_commom_mask)>15)，调整k的值，如15，20，21)，参考前人文献，最后得到的RichClub节点尽可能与前人一致；
（3）计算每个被试三类边（Rich-club, Feeder, local）的权重的和。
（运行脚本rich_club_connections.m；参数：Nnode：节点数，richclub_nodes：输入第二步中得到RichClub节点）
Output：conn_feeder.txt, conn_local.txt,conn_richclub.txt
（Ref: Van Den Heuvel, M. P., & Sporns, O. (2011).Rich-club organization of the human connectome. Journal of Neuroscience,31(44), 15775-15786.)
4.2.2 Modular Interaction的计算
（1）对组水平的矩阵进行模块化分解（gretna中点入Nodal - Community Index）；
Output：生成CommunityIndex文件，ci.txt：模块化结构，显示节点所属的模块编号；Q：模块化程度，越大模块化程度越高；mod_num.txt：模块数量；
（2）计算Modular Interaction（gretna中点入Modular - Interaction，被试要分组放入，在community index中放入ci）;
Output：生成ModularInteraction文件，每个组别一个文件夹，AvgStrength：平均权重；SumStrength：权重的和；Between：模块间的连接。
PS.： Rich Club和Modular Interaction在gretna中都无法计算AUC值，需写代码计算。
对Gretna感兴趣的朋友可以后台找工程师索要哦~
茗创科技
有态度 有深度 有温度 专注于脑科学
觉得有帮助，欢迎转发收藏或者点个在看哦~
听说点在看的人SCI接收率都提升了18%呢！
有你认识的人吗？点“分享”，告诉TA