第一部分　　AFNI命令和uber_subject.py的使用

　　略

第二部分　　時間矯正

　　在掃描過程中，從第一個切片到最后一個切片之間存在一定的時間差，導(dǎo)致采集到的數(shù)據(jù)并不是一個時間點的。

　　在掃描過程中，MRI有兩種掃描方法，??  順序切片采集，按照順序從上到下、從下到上進行采集  ??  交錯切片采集，每采集一張切片后隔一張再采集，然后第二遍進行間隙填充。

　　腳本：3dTshift

第三部分    配準和標準化

　　我們每個人的大腦都是相似的，但是也存在一定的差別，在進行組分析時這些差別會產(chǎn)生影響，所以我們要保證每個人的大腦體素都對應(yīng)到相同的大腦模板上。比如讓每個被試的視覺皮層與其他人是相互一致的。

　　這需要用到配準和標準化，大腦模板是具有標準的坐標和維度，許多研究者一致認可的數(shù)據(jù)。

　　仿射變換：包括縮放、裁減、平移和旋轉(zhuǎn)四種線性變換。而對于非線性變換，比如一邊放大，另一邊縮小。

　　我們最終的目的是把功能像配準到標準模版，有兩個途徑：?? 直接將功能像配準到標準模版，這樣效果較差 ??先將結(jié)構(gòu)像配準到標準模版，保存配準過程中的變換參數(shù)，再將功能像配準到結(jié)構(gòu)像。在實際的配準過程中，功能像因為分辨率較低，變換會引起較大的誤差，我們一般傾向于將結(jié)構(gòu)像進行配準。

　　問題：我們是將結(jié)構(gòu)像配準到標準空間，再將功能像與結(jié)構(gòu)像配準，那么上述說的將結(jié)構(gòu)像配準到功能像就與之矛盾！！！

　　A：在這個過程中，我們首先將功能像配準到結(jié)構(gòu)像（實際操作是結(jié)構(gòu)像配準到功能像，保存變換矩陣，然后反向操作就實現(xiàn)了功能-結(jié)構(gòu)），然后再把結(jié)構(gòu)像配準到標準空間，也保存了一個變換矩陣。最后將兩個變換矩陣進行合并，就實現(xiàn)了功能像到標準空間的配準。

　　使用align_epi_anat.py腳本執(zhí)行。

第四部分   對準和運動矯正

　　在掃描過程中受試者的頭部可能會有輕微的擾動，對于成像結(jié)果來說會產(chǎn)生影響，我們需要對頭動進行矯正。

　　剛體變換：采用剛體變換來解決頭動問題，如果我們設(shè)定一個參考點，然后檢測到受試者的頭部向哪個方向移動了，那么我們只需要將圖像的切片向相反的方向移動同樣的距離即可，當然，不只是平移，包括旋轉(zhuǎn)等。

　　在volreg部分執(zhí)行上述操作。

第五部分　　平滑

　　平滑就是用周圍體素的平均值代替當前體素，這對使得圖像變得模糊，分辨率降低。但是平滑對與fMRI來說是非常有效的，因為fMRI的噪音較大，平滑后可以顯著降噪，同時增強信號。平滑核函數(shù)一般包括兩個：4mm和10mm，越大的核函數(shù)平滑程度更大，當然圖像分辨率也越低。

　　腳本：blur部分

第六部分　　mask和體素縮放

　　設(shè)置一個掩膜只把頭部納入進來，其余部分都去掉。去結(jié)構(gòu)像的mask，然后應(yīng)用到功能像上。

　　腳本：3dAutomask

　　不同受試者的圖像之間像素強度可能存在差異，這樣的分析結(jié)果不會有任何意義，所我我們將每個體素的時間序列縮放為100的平均值（范圍0-200）。

第七部分   檢查預(yù)處理結(jié)果

　　通過afni查看處理后的圖像，每一步的圖像都有保存。有部分sub的圖像會出現(xiàn)缺失，這是因為結(jié)構(gòu)像和功能像的圖像中心差距過大。

　　解決辦法：進入帶有三個代碼文件的目錄，刪除預(yù)處理結(jié)果文件夾。  rm -r sub01.result

　　手動編輯proc.sub01腳本，該腳本就是通過uber_subject.py  GUI界面產(chǎn)生的預(yù)處理腳本。在

　　@auto_tlrc -base MNI_avg152T1+tlrc -input sub-08_T1w_ns+orig -no_ss    后面加上

　　-init_xform AUTO_CENTER，然后tcsh proc.su01重新進行預(yù)處理。

　　到此，預(yù)處理步驟就全部結(jié)束！