用Matlab+SPM12+DPABI处理rs-fMRI数据：从ABIDE数据集到AAL脑图谱的完整实战

用Matlab+SPM12+DPABI处理rs-fMRI数据：从ABIDE数据集到AAL脑图谱的完整实战

在认知神经科学和心理学研究中，静息态功能磁共振成像（rs-fMRI）已成为探索大脑功能连接的重要工具。对于刚接触该领域的研究者而言，从原始数据到可用特征的全流程处理往往令人望而生畏。本文将手把手带你完成从ABIDE数据集下载到AAL脑图谱特征提取的完整过程，即使没有编程基础也能轻松上手。

1. 实验环境搭建与数据准备

工欲善其事，必先利其器。我们需要配置三个核心工具：

• Matlab R2020a或更新版本：建议使用学术版授权
• SPM12：最常用的神经影像处理工具箱
• DPABI 5.0：面向亚洲人群优化的批量处理工具

安装完成后，建议在Matlab中添加以下路径：

addpath(genpath('D:\spm12')); addpath(genpath('D:\DPABI_V5.0'));

数据获取通常是最耗时的环节。ABIDE数据集包含来自17个国际站点的1112名受试者的rs-fMRI数据，可通过以下步骤获取：

1. 访问ABIDE官网
2. 注册并提交数据使用申请
3. 下载包含以下文件的压缩包：
   • Resting_State_fMRI.nii.gz（功能像）
   • T1.nii.gz（结构像）
   • Phenotypic_V1_0b.csv（表型数据）

提示：下载速度可能较慢，建议使用学术网络并预留足够时间

2. 数据预处理全流程详解

2.1 DICOM到NIfTI格式转换

原始数据常以DICOM格式存储，需转换为更易处理的NIfTI格式。SPM12提供了便捷的转换工具：

spm('Defaults','fMRI'); spm_jobman('initcfg'); matlabbatch{1}.spm.util.dicom.data = {'D:\data\sub-01\session-1\dicom\'}; matlabbatch{1}.spm.util.dicom.root = 'flat'; matlabbatch{1}.spm.util.dicom.outdir = {'D:\data\nifti\'}; spm_jobman('run',matlabbatch);

常见问题及解决方案：

2.2 时间层校正（Slice Timing）

由于fMRI采集是逐层进行的，需要校正时间差异。关键参数设置：

matlabbatch{1}.spm.temporal.st.scans = {'D:\data\nifti\sub-01.nii,1'}; matlabbatch{1}.spm.temporal.st.nslices = 48; matlabbatch{1}.spm.temporal.st.tr = 3; matlabbatch{1}.spm.temporal.st.ta = 2.9375; % TR-TR/nslices matlabbatch{1}.spm.temporal.st.so = [1:2:47 2:2:48]; % 交错采集顺序 matlabbatch{1}.spm.temporal.st.refslice = 24;

2.3 头动校正与空间标准化

头动校正采用六参数刚体变换，建议设置：

• 参考图像：mean*.nii
• 源图像：a*.nii
• 插值方法：4阶B样条

空间标准化到MNI152模板时，注意调整体素大小：

matlabbatch{1}.spm.spatial.normalise.write.vox = [3 3 3];

3. 使用DPABI进行批量处理

DPABI提供了图形化界面简化批量处理流程：

1. 启动DPABI并选择DPARSF模块
2. 设置工作目录和输出路径
3. 配置参数：
   • 时间层校正：已处理可跳过
   • 头动校正：FD_Jenkinson > 0.2的帧需标记
   • 带通滤波：0.01-0.1 Hz
   • 去线性趋势：启用
   • 协变量回归：包括白质、脑脊液和头动参数

注意：处理前建议备份原始数据，DPABI会直接修改输入文件

4. AAL图谱ROI信号提取实战

AAL（Automated Anatomical Labeling）是最常用的脑图谱之一，包含90个脑区。提取步骤：

1. 加载预处理后的swr*.nii文件
2. 选择AAL模板（通常位于DPABI/Templates/AAL3v1.nii）
3. 设置输出选项：
   • 时间序列保存为.mat和.csv
   • 功能连接矩阵计算：Pearson相关
   • 质量控制图生成：启用

典型输出文件结构：

sub-01/ ├── ROI_TimeCourse/ │ ├── AAL_TimeSeries.mat │ └── AAL_FunctionalConnectivity.csv └── QualityControl/ ├── HeadMotion.png └── SignalToNoise.png

处理完成后，你将获得每个脑区的平均时间序列，可直接用于机器学习建模。例如，使用Python加载数据：

import numpy as np time_series = np.loadtxt('AAL_TimeSeries.csv', delimiter=',') print(f"获取到{time_series.shape[1]}个脑区的{time_series.shape[0]}个时间点")

5. 质量控制与常见问题排查

高质量的数据是研究可靠性的保证。建议检查以下指标：

• 头动参数：

  • 平移>2mm或旋转>2°的受试者应排除
  • 帧位移（FD）平均值应<0.2

• 信号质量：

  • 信噪比（SNR）>100
  • 时间序列变异系数（CV）在0.5-1.5之间

• 常见错误处理：

我在处理第一批数据时，曾因忽略切片顺序参数导致时间校正完全错误。后来建立了一套标准化检查流程：

1. 预处理前可视化原始数据
2. 每步处理保存中间结果
3. 使用spm_check_registration核对空间标准化效果
4. 对比ABIDE提供的质量控制指标