第一章 Linux介绍
为什么要用linux？第一，因为它稳定和安全，并且适合网络环境和远程控制，并且linux是一个真正的多用户操作系统。对于大量的研究数据来说，需要一个专门的数据服务器。研究者只需要远程登录linux，就可以进行任何数据分析。
登录linux后，需要打开terminal，进入command line：
[meg@dbic-lab_x86-64_04 ~]$
上面告诉我们，当前登录的账户是meg，而被登录的电脑/服务器是dbic-lab_x86-64_04,而”~”告诉我们当前所在的目录在/home下，如果要知道当前目录的绝对路径，键入pwd：
[meg@dbic-lab_x86-64_04 ~]$ pwd
/afs/dbic.dartmouth.edu/usr/gazzaniga/meg
如果要了解当前目录下有什么文件和文件夹，则键入ls –al：
[meg@dbic-lab_x86-64_04 ~]$ ls-al
01- splenium-parcellation Desktop F5 M12 M8 spm2
02- 02-full-cc-parcellation F1 F6 M13 M9 study
03- 03-rvfa-fa-regression F10 F7 M2 avg152T1.nii.gz tal
04- 04-grooved-pegboard-fa-regression F11 F8 M3 bvals
05- 05-farah-fa-regression F12 F9 M4 bvecs
进入某一个文件夹，则键入cd 文件夹名：
[meg@dbic-lab_x86-64_04 ~]$ cd study
[meg@dbic-lab_x86-64_04 study]$
需要掌握的基本命令：
|
Command |
Function |
Common Options |
|
pwd |
List present working directory |
|
|
ls |
List contents of the current directory |
-l Detailed listing of contents |
|
cd |
Change directory |
|
|
mkdir |
Make a new directory |
|
|
rmdir |
Remove an empty directory |
|
|
mv |
Move a file or directory |
|
|
cp |
Copy a file or directory |
-r Copy all contents of a directory recursively |
|
rm |
Remove a file (or directory with -f) |
-f Remove a directory and everything in it |
第二章 数据转换和预处理
我们要从扫面中心把数据下载下来，然后上传到数据服务器上。可以用matlab下载和上传。
把数据转换成NifTI格式，这个格式的数据比原数据节省90%的空间，并且不丢失任何信息。要用到MRIcron中的dcm2nii。可以先把这些数据变成3d的，看看数据是从几个方向开始收集的。如果直接转换成4D,则会生成bvecs和bvals文件。
管理和组织数据：
每一个研究需要有一个单独的文件夹，在该文件夹的下面，设置behavior、subject、group、results、masks、scripts等文件夹，分别存放数据。对于subject而言，需要把性别和组别信息包含在内，如f01，表示男被试01.把静息和功能、结构、DTI数据分别存在f01下的不同目录中。用tree命令可以查看目录树。
第三章 FSL分析DTI数据
Fsl是一个强大的脑成像分析工具，可以分析功能像、结构像、DTI，并含有不同的数据分析包。其中The FMRIB’s Diffusion Toolbox (FDT)就是专门分析DTI数据的分析包。
在进行数据分析之前，需要注意的是，DTI的001数据是b0 image，不包含DTI，相当于一个结构像。另外，如果是飞利浦的扫描仪，最后一张图片是 trace image，对于数据分析没有用,西门子的仪器不存在这个问题。我们可以把001数据文件cp为nodif.nii.gz,最后一个trace image改为trace.nii.gz（mv命令）。如果前面数据转换的时候是3D，而不是4D，现在还需要把数据转换成4D。
[meg@dbic-lab_x86-64_04 ~]$ cp 001.nii.gz nodif.nii.gz
[meg@dbic-lab_x86-64_04 ~]$ mv last.nii.gz trace.nii.gz
[meg@dbic-lab_x86-64_04 DTI]$ avwmerge dti1 dti1_*
然后我们需要bvecs和bvals文件，这两个文件告诉我们DTI的方向信息，在进行格式转换（DCM>NifTI）的时候，这两个文件会自动生成。利用001图像和fsl中的bet分析包，生成一个mask，具体参数设置详见bet。
[meg@dbic-lab_x86-64_04 DTI]$ bet nodif nodif_brain -f .3 -m
目前我们已经有4D的DTI数据，bvecs和bvals文件，以及mask。下一步需要把4D的图像进行 ‘Eddy current correction’ step of FDT。在terminal终端键入fsl,打开fsl主页面，然后点击“FDT Diffusion’ ，进入FDT，单击最上面的按钮，选择”Eddy current correction”.input数据选择4D的图像，而output文件可以直接命名为‘data.nii.gz’,reference volume选择0。点击’go’，平均每个被试需要30-45分钟。
下一步就是进行“DTIFit Reconstruct diffusion tensors”，点击FDT最上面的按钮，选择“DTIFit Reconstruct diffusion tensors”。Input目录就是包含上面所有文件的被试DTI目录。这一步只需要几分钟，生成文件‘data_FA.nii.gz’和‘data_V1.nii.gz’。
用fslview查看data_FA.nii.gz。这个图像就是the fractional anisotropy (FA) value at each voxel. 通过‘Add’把图像data_V1.nii.gz叠加上去。然后点击fslview下方的‘I’，打开‘Overlay Information Dialog’。把DTI display options设置为”RGB”和”data_FA”(如图)。
现在我们能看到下图，Red 表示that the fibers at that voxel are running in the left-right direction, 蓝色 表示 the inferior-superior direction (down-up), and 绿色表示they are running in the anterior-posterior direction (front-back).
下一步分析是”BEDPOST ”,点击FDT最上面的按钮，选择”BEDPOST Estimation of diffusion parameters”, 这一步的目的就是为了得到白质束成像图（probabilistic tractography）。Input目录就是包含上面所有文件的被试DTI目录。然后点击’go’。这一步每个被试需要8-10 hours。这一步将在被试目录中生成一个叫’DTI.bedpost’的文件夹，这个文件夹用于下面做白质束跟踪。
接下来我们需要把DTI（the diffusion weighted images）图像对齐到被试高分辨的结构像上（T1像）。于是需要用bet把T1像进行bet，把头皮剥掉。
[meg@dbic-lab_x86-64_04 ANATOMY]$ bet mprage mprage_brain –f .35 –g -.4
把DTI（the diffusion weighted images）图像对齐到被试高分辨的结构像上（T1像）。点击点击FDT最上面的按钮，选择’Registration’， Bedpost 目录选择被试目录下的‘DTI.bedpost’。激活‘Main structural image’ ，选择被试剥去头皮的高分辨率结构像（mprage_brain），这是Standard space会自动选择相匹配的标准图像，点击’go’。
上面的分析，如果使用命令行，如下：
[meg@dbic-lab_x86-64_04 DTI]$ eddy_correct dti1.nii.gz data.nii.gz 0
[meg@dbic-lab_x86-64_04 DTI]$ dtifit --data=data.nii.gz --out=data --mask=nodif_brain_mask.nii.gz --bvecs=bvecs --bvals=bvals
[meg@dbic-lab_x86-64_04 DTI]$ fslview data_FA.nii.gz data_V1.nii.gz
[meg@dbic-lab_x86-64_04 s01]$ bedpost DTI
[meg@dbic-lab_x86-64_04 DTI.bedpost]$ mkdir xfms
[meg@dbic-lab_x86-64_04 DTI.bedpost]$ flirt -in nodif_brain
-ref ../ANATOMY/mprage_brain.nii.gz -omat xfms/diff2str.mat -searchrx -90 90
-searchry -90 90 -searchrz -90 90 -dof 12 -cost mutualinfo
[meg@dbic-lab_x86-64_04 DTI.bedpost]$ convert_xfm -omat xfms/str2diff.mat -inverse
xfms/diff2str.mat
[meg@dbic-lab_x86-64_04 DTI.bedpost]$ flirt -in ../ANATOMY/mprage_brain.nii.gz
-ref /afs/dbic.dartmouth.edu/usr/pkg/fsl/etc/standard/avg152T1_brain
-omat xfms/str2standard.mat -searchrx -90 90 -searchry -90 90 -searchrz -90 90
-dof 12 -cost corratio
[meg@dbic-lab_x86-64_04 DTI.bedpost]$ convert_xfm -omat xfms/standard2str.mat
-inverse xfms/str2standard.mat
[meg@dbic-lab_x86-64_04 DTI.bedpost]$ convert_xfm -omat xfms/diff2standard.mat
-concat xfms/str2standard.mat xfms/diff2str.mat
[meg@dbic-lab_x86-64_04 DTI.bedpost]$ convert_xfm -omat xfms/standard2diff.mat
-inverse xfms/diff2standard.mat
既然已经知道上面每一步的命令，可以利用scripts，自动运行，在命令端运行‘doDTI’.
第四章 Probabilistic Tractography Analysis with FSL
FDT’s ProbTrack提供两种主要的方法。第一种路径分布估计（ path distribution estimation），计算 从一个点开始的白质纤维连接。第二种方法，基于种子点之间的连接，寻找某一特定脑区与其他脑区的连接。
Path Distribution Estimation
这种方法使我们可以对横断面大脑的白质通路视觉化.
在终端键入’Fdt’，或者在fsl的界面中点击 ‘FDT Diffusion’。点击最上面的菜单，选择‘ProbTrack Probabilistic tractography’。默认条件下，采用的是最简单的追踪算法，尽选择了一个voxel。这种方法适用于从某一个感兴趣的点开始追踪。最常用的方法是使用一个seed mask，选择感兴趣的脑区开始追踪。 这里我们采用seed mask的方法。
首先，我们选择 ‘Seed mask’。事先需要我们用fslview准备好mask。BEDPOST目录选择在上一章生成的DTI.bedpost文件夹。Seed space选择用seed image即选择准备好的mask，这里选择了包含Brodmann Area 18的所有voxel，所以命名为ba18.nii.gz’。这个mask是在标准空间做好的，所以勾选’seed space is not diffusion’。Seed to diff-space transform选择DTI.bedpost/xfms/目录下的standard2diff.mat。output选择输出目录，然后点击’go’。这个过程需要大约1-2小时，依赖于mask的大小。然后在输出目录下生成一个叫做fdt_paths.nii.gz的文件。
在fslview中，打开一个标准空间，然后load 新生成的fdt_paths.nii.gz，如下图：
ProbTrack中，有多种方法，像’seed mask’一样，可以从seed开始追踪纤维，‘Seed mask and waypoint masks’让我们追踪从seed开始，经过某些特殊点或者区域的纤维束。这个方法要求提供waypoint masks。同样需要在fslview中准备好，并且要与seed mask在同样的空间。
‘Two masks – symmetric’提供可以直接看两个seed之间连接强度的分析方法（robust method）。这种方法首先从一个seed出发进行跟踪，只保留到达另一个seed 的纤维束。然后再反过来，从第二个seed出发进行跟踪，只保留到达第一个seed的纤维束。程序最后只要在两个方向都存在的结果。同样，这两个seed需要在同一个空间。
Connectivity-based Seed Classification
ProbTrack提供的第二种分析方法，可以根据voxel的连接脑区对一个seed mask中的voxel进行分类。我们可以知道在一个mask中的每一个voxel与我们感兴趣的所有脑区的连接概率，而不知道真实的连接情况。对于某一脑区的分割，这种方法提供了一个非常完美的解决方案，比手动分割更加精细。
首先，从菜单中选择 ‘Connectivity-based seed classification’.然后选择被试的DTI.bedpost目录。然后选择seed mask。这个seed mask脑区将被分割，得到这个seed mask与目标脑区的连接概率。由于seed mask都是标准空间，需要转化到被试空间，所以勾选’seed space is not diffusion’。Seed to diff-space transform选择DTI.bedpost/xfms/目录下的standard2diff.mat。接下来，我们需要选择目标脑区，这里可以有多个目标脑区，即可以是几个mask images，但要求目标脑区之间不能有重叠。然后选择输出目录，点击’go’.这一步将在输出文件夹中生成文件‘seeds_to_targetname.nii.gz’.一个文件告诉我们从seed mask的一个voxel到目标脑区的概率（取样数，how many samples）。下图左边显示从胼胝体到BA 6区的连结的voxel，右边把阈值升到5000次取样（5000 samples）中至少有50%到达BA 6区的胼胝体中的voxel。
FSL提供可以一次把所有’seeds_to_target’ 文件导入到一张图片中的功能。但是这个功能只能通过命令行实现，而没有图形界面。这个命令是’find_the_biggest’.这个命令生成一个压缩图片’cc-parcellation’，但是这个图片比较粗略。每一个颜色代表一个不同的目标脑区。
[meg@dbic-lab_x86-64_04 DTI]$ find_the_biggest seeds_to_* cc-parcellation
现在我们来看一下ProbTrack还有什么其他的功能。‘Number of samples’ 值一般很大（5000），当做第一次初步估计时，最低可以设置1000. ‘Curvature threshold’ 默认值相当于卷积角80度。如果想要减小卷积角，可以把‘Curvature threshold’值加大。其他保持默认就好。
Quantitative Results
现在我们要从上面的分析中得到定量的指标。需要用到fsl的另两个简单的程序： avwstats 和avwmaths. 利用这两个简单的程序，我们可以得到定量指标。
avwstats,提供我们关于体积的统计信息。它有很多参数：
[meg@dbic-lab_x86-64_04 dilated-non-rl]$ avwstats
Usage: avwstats <input> [options]
|
-l <lthresh> |
: set lower threshold |
|
-u <uthresh> |
: set upper threshold |
|
-r |
: output <robust min intensity> <robust max intensity> |
|
-R |
: output <min intensity> <max intensity> |
|
-e |
: output mean entropy ; mean(-i*ln(i)) |
|
-v |
: output <voxels> <volume> |
|
-V |
: output <voxels> <volume> (for nonzero voxels) |
|
-m |
: output mean |
|
-M |
: output mean (for nonzero voxels) |
|
-s |
: output standard deviation |
|
-S |
: output standard deviation (for nonzero voxels) |
|
-x |
: output co-ordinates of maximum voxel |
大多数时候，我们都是用大写参数，基于nonzero进行计算。下面这个例子计算seeds到ba六区的最小强度和最大强度，以及nonzero的voxel数和体积。
[meg@dbic-lab_x86-64_04 F1-ba-cc-connectivity]$ avwstats seeds_to_ba06.nii.gz -R -V
0.000000 5000.000000 135 1080.000000
avwstats 的两个阈值options需要注意.它允许我们在进行统计之前对数据进行阈值限制。当我们感兴趣的脑区连接概率稍逊时，这个参数对于连接数据非常有用。下面的例子要求只对50%概率（总的取样是5000，2500就是50%）的连接进行统计分析。对统计有更高要求的研究者还可以用avwstats++,提供更多高级统计。
[meg@dbic-lab_x86-64_04 cc-connectivity]$ avwstats seeds_to_ba06.nii.gz -l 2500 -R -V
2556.000000 5000.000000 41 328.000000
下面我们看avwmaths.这个程序对图像比较和图像结合非常有用，它提供许多统计操作后的图片。
[meg@dbic-lab_x86-64_04 ~]$ avwmaths
Usage: avwmaths <first_input> [operations and inputs] <output>
Binary operations:
some inputs can be either an image or a number
"current image" may be n_volumes>1 and the second n_volumes=1
-add : add following input to current image
-sub : subtract following input from current image
-mul : multiply current image by following input
-div : divide current image by following input
-mas : use (following image>0) to mask current image
-thr : use following number to threshold current image (zero anything below the number)
-uthr : use following number to upper-threshold current image (zero anything above the number)
-max : take maximum of following input and current image
-min : take minimum of following input and current image
Unary operations:
-bin : use (current image>0) to binarise
(Output cut for brevity)
下面的例子我们把两张图叠到一起，生成一张composite图：
[meg@dbic-lab_x86-64_04 ~]$ avwmaths image1 -add image2 composite
下面的例子，把三张图加到一起，然后又除以3，生一个average。
[meg@dbic-lab_x86-64_04 ~]$ avwmaths image1 -add image2 -add image3 -div 3 average
Avwmaths最常见的用途是进行masking和thresholding操作，从而为研究者提供了很多便捷和灵活性。下面的例子，我们首先把从一个功能研究中得到的zstat1图，生成阈值为2.5的二进制激活图（high-mask）。然后利用这个high-mask对FA图进行mask。
[meg@dbic-lab_x86-64_04 ~]$ avwmaths zstat1 -thr 2.5 -bin high-mask
[meg@dbic-lab_x86-64_04 ~]$ avwmaths faimage -mas high-mask high-fa
Combining Individuals into a Group
最后一步，我们对个体分析结果进行组间分析。这是基于概率进行纤维束追踪的一个优点之一，其他的方法不能进行组间比较。我们要生成证明组间连接概率差异的图像。
我们需要用avwmaths对图像设置一个较低的阈值（-thr 1250），高于这个值都认为是一样的有效连接，生成seeds到目标脑区的连接图像。然后根据被试分组，对各组被试的连接图像进行组估计，用于组间比较。下面我们以胼胝体到布罗德曼脑区的连接为例，一步一步进行示范。
首先我们确定一个较低的阈值，在这个例子中，我们取样5000，在1250上的我们就认为是有效连接（25%的概率连接），并生成一个二进制的图像：
[meg@dbic-lab_x86-64_04 ~]$ avwstats seeds_to_ba01 -thr 1250 -bin
seeds_to_ba01_thr_1250_bin
对所有被试的所有seeds to target图像进行同样的处理，然后我们把上面得到的不同被试的同样的seed to target二进制图像加起来（分为被试组和控制组）。
[meg@dbic-lab_x86-64_04 ~]$ avwmaths m01/seeds_to_ba01_thr_1250_bin -add
m02/seeds_to_ba01_thr_1250_bin -add m03/seeds_to_ba01_thr_1250_bin -add
m04/seeds_to_ba01_thr_1250_bin -add m05/seeds_to_ba01_thr_1250_bin
group/subjects_for_ba01
通常，我们会把只有少数被试才显著的区域剔除掉。于是运行find_the_biggest.
第五章FA Regression Analysis with TBSS and SPM
当得到FA后，我们想要看看是否某些脑区的FA值是否和某一行为或测量指标相关。这就要求被试间的图像空间可以比较，即需要被试间对齐。Fsl提供了TBSS进行被试间对齐。
Using TBSS for Registration
在研究（study）目录下，创建一个叫’TBSS’,并且把所有被试的FA图像（data_FA.nii.gz）拷贝到该目录中。在这个目录中，现在包含12个被试的FA数据：
接下来利用tbss中的预处理模块进行预处理，包括scaling the image values、converting them to Analyze format,，这两步都是alignment stage必需的.运行下面的命令：
[meg@dbic-lab_x86-64_04 tbss]$ tbss_1_preproc
Using multiplicative factor of 10000
processing s01fa
processing s02fa
(Output removed for length)
processing s12fa
这一步生成两个新的目录： ‘FAi’包含新的转换过的图像；‘origdata’ 包含原始图片。
下一步就是tbss_2_reg, 决定了对齐的成败与否，有两种可能的方法。最准确的方法是把每个被试的图像与其他被试的图像进行一一对齐，然后选出整个数据中最有代表性的图像，其他的图像都与它对齐。这个方法需要数天的时间（12人数据量）。第二种方法就是实现指定一张目标图像，然后把其他的所有的图像都与它对齐，这个方法也能得到很好的结果，并且能够节省很多时间。作为指定的目标图像，我们可以浏览所有被试的数据，然后选择一张我们认为最有代表性的图像，也可以在fsl提供的模板中选择一张。下面的例子，我们将使用fsl提供大的模板来进行第二种方法的分析。如果想要进行第一种分析方法，只需要把下面的代码的前4行去掉就可以了：
[meg@dbic-lab_x86-64_04 tbss]$ cd FAi
[meg@dbic-lab_x86-64_04 FAi]$ cp $FSLDIR/etc/standard/example_FA_target.hdr target.hdr
[meg@dbic-lab_x86-64_04 FAi]$ cp $FSLDIR/etc/standard/example_FA_target.img target.img
[meg@dbic-lab_x86-64_04 FAi]$ cd ..
[meg@dbic-lab_x86-64_04 tbss]$ tbss_2_reg
using pre-chosen target for registration
processing f01fa_FAi_to_target
(Tons of output removed for length)
最后一步使用tbss_3_postreg对齐，并把结果转换到标准空间。这一步是附加步骤，除非感兴趣，这一步对分析没有多大帮助。
[meg@dbic-lab_x86-64_04 tbss]$ tbss_3_postreg
using pre-chosen target for registration
affine-registering target to MNI152 space
(Output removed for length)
这一步会在tbss目录下生成一个新的名为stats的目录，里面有一个文件名为 ‘all_FA.nii.gz’。 这是一个4D图像，包含所有对齐过的FA图像。为了能够在SPM 中使用，我们需要把它分开，并且转换成SPM的格式.使用avwsplit把4D图像转换成单个的3D图像,然后使用avwchfiletype 把3D图像转换成spm的格式（Analyze，hdr/img）。 avwsplit的参数‘s’使生成的新图像文件名包含有输入图像文件名。
[meg@dbic-lab_x86-64_04 tbss]$ cd stats
[meg@dbic-lab_x86-64_04 stats]$ avwsplit all_FA.nii s
[meg@dbic-lab_x86-64_04 stats]$ avwchfiletype ANALYZE s0000.nii.gz
[meg@dbic-lab_x86-64_04 stats]$ avwchfiletype ANALYZE s0001.nii.gz
(User Commands removed for length)
[meg@dbic-lab_x86-64_04 stats]$ avwchfiletype ANALYZE s0012.nii.gz
Using SPM for Regression Analysis
现在我们利用spm进行回归分析。要使用 SPM首先开启Matlab, 然后在matlab中用spm fmri命令 打开spm界面.
[meg@dbic-lab_x86-64_04 stats]$ matlab
(Matlab start-up text removed)
>> spm fmri
使用Spm进行分析，需要注意几点：首先，spm没有返回键，所以一旦发现设置和选择有错，只能从头开始；第二，spm会没有提示的覆盖原来有的文件，所以最好是重新建一个目录，在这个目录下进行分析。
一开始，我们必须告诉spm我们将要使用的图像，建立一个解释行为数据的简单回归模型。于是点击‘Basic models’ 按钮,得到一个下拉菜单， 选择‘Simple regression (correlation)’，打开了一个‘Select images’ 窗口。在这个窗口中，我们把所有‘s000*’ 文件选上。这里需要注意的是，选择被试图像的时候，顺序必需与被试的行为数据的一一对应：
在‘Select images’窗口点击 ‘Done’后，将会出现对话框，需要我们输入协变量。在 ‘covariate’ text窗口，输入图像的数目（这里是11被试，11个数据），然后我们需要输入11个被试对应的行为数据。 在这里例子中，我们测查11位被试利手性分数与FA图像的关系，于是输入对应的11个被试的利手得分，分值越大，越是右利手。数据如下：‘0.6 -2.1 3.4 -1.2 2.4 1.8 -0.7 4.5 4.5 0.2 3.7’。最后对协变量命名，这是利手数据，所以就叫“Handedness”。
之后，我们还需要输入几个参数。首先是 ‘GMsca: grand mean scaling...’。我们不需要对行为数据进行平均和变换了，这些数据已经处于一定的数量范围内了，于是选择 ‘<no grand mean scaling>’。然后问我们是否需要对行为数据进行一定的阈值限制‘Threshold masking’。选择 ‘none’。然后对分析结果输出参数进行设置。为了节省时间，我们要求FA大于0.2的脑区才参与分析，并输出结果。
‘Implicit mask (ignore zero’s)’, 通常都需要选择 ‘yes’。‘explicitly mask images’ ，是否需要一个额外的mask,在本例中选择 ‘no’。最后 ‘Global calculation’, 选择 ‘omit’。这样我们就建立了一个简单的回归模型。
现在，我们对建立的回归模型进行参数估计。 在spm主界面，单击‘Estimate’按钮，打开一个窗口要求我们选择‘SPM.mat’ 文件, 选择后点击 ‘Done’，然后开始计算，需要几分钟的时间。
最后一步就是利用刚才估计得到的模型进行回归分析。点击spm主界面上的 ‘Results’ 按钮。选择被试的‘SPM.mat’ 文件。然后进入spm对比设置窗口，在这个窗口中，我们进行具体的分析类型的设置。 点击‘Define new contrast’，首先给对比命名，这里命名为‘Regression’. 下一步选择‘t-contrast’，在 ‘contrast weights vector’ 中输入“1”。然后单击’...submit’，对模型进行更新。然后单击 ‘OK’ ，程序会自动进行对比设置。然后点击 ‘Done’ 。
最后，还有几个选项需要设置。第一个就是是否需要mask with other contrasts,选择 ‘No’. 第二个问题，对结果进行命名，采用默认则采用先前对比的名字‘Regression’. 接着，将要设置是否对p值进行校正。对于初级使用者而言，一般选择 ‘None’。接下来设置显著p值，默认值是0.001。 最后一个设置是关于结果（result size）的阈值，默认设置为0，结果如下：
在上面的“results”窗口的图像上，单击右键，可以看到邻近的最大激活位点。 点击右下方的‘Voxel’，可以得到超过阈值的全部激活脑区的表格。尽管在spm中可以查看几乎所有的结果。但是利用一些额外的工具查看结果会更加方便（直接打开spmT_0002.img）。
通常情况下，现在得到的结果只是一个预分析，还需要进行更加严格的参数设置，重新对‘Results’部分进行分析。
第六章 Tractography with DTIStudio
DTIStudio是一个免费的软件，能够生成非常漂亮的3D图像。运行DTIStudio，在File下拉菜单中选择 ‘DTI Mapping’。 出现一个窗口要求选择即将进入分析的数据的类型，我们选择‘Philips REC’ option。随后打开一个窗口，在这个窗口中对即将分析的数据进行设置。一旦设定之后，DTIStudio 会保存这些设置，后面不需要再设置，如下图：
其他的值在每次分析中就如上图所设。但是在‘Philips REC Image File(s)’文本框中，每次要输入需要分析的图像。这里的图像就是我们想要追踪白质的4d eddy current corrected DTI data文件。在进入DTIStudio进行分析之前，我们需要把data.nii.gz格式的图像转换成Analyze 格式（hdr/img） 。使用avwchfiletype可以非常容易地转换格式。最后在‘the gradient table’ 的设置如下：（需要注意的是，DTIStudio会保存这些设置，我们不需要重新设置）
上面的设置一旦完成，就可以点击‘Ok’让DTIStudio开始运行，只需要很短的时间，就会出现下面的用户窗口：
现在让我们来熟悉一下主界面吧。左边一共有4个视窗：一个 3d 和三个正交。 右边是控制面板。在控制面板的底部有几个tabs，控制4个视窗的切换。通常是从底部的‘Image’控制面板开始操作，在这里选择我们要看的图像呈现在左边的视窗中。在 ‘Orthogonal Views’ 部分，我们能够选择每个视窗中哪一个slice。 我们也可以放大，可以从下来菜单中选择另一幅图像。在‘3d Visualization’ 部分，可以在‘Display Status’中选择呈现的方向，也可以在‘Opacity (%)’中调整图像的透明度。在 ‘Animation’ 中点击‘Start’ 就可以动画观看。在3d图像上按左键拖动，可以改变图像的视角，按右键不放可以对图像进行缩放或者退出3d视图。
为了跟踪白质纤维，首先要计算 the basic tensor information,然后抽取出 principle diffusion direction information 和fractional anisotropy values. 这些都通过控制面板右下角的 ‘DtiMap’完成。点击‘DtiMap’键，然后单击‘Tensor, Color Map, etc.’ button. 进入‘DTI-Map Options’窗口。通常默认就可以了，点击 ‘Go’。 DTIStudio要运行一段时间，然后在视窗中呈现的结果图像。我们也可以通过‘Image’ 控制面板，回到 b0图像的成像。
完成上面一步后，开始生成白质的通路（pathways）， 在DtiMap 控制面板中点击‘Fiber Tracking’。 这将打开 ‘Fiber-Tracking Parameters’窗口,在这里我们改变追踪的参数设置。一般而言，默认就可以了，但是当期望的结果没有出现的时候可以调整。点击‘OK’ 。这一步需要比较长的时间。
这一步完成后，在控制面板的底部将新增几个按钮，如‘Fiber’.单击‘Fiber’可以看到其他纤维追踪的参数选项。我们可以选择‘fiber Display’中的‘All’，这样可以看到更多参数选项。 然后勾选‘Fiber Selection’中的‘ROI-Drawing Enable’和 ‘Filled (or Solid) ROI’.
在‘ROI – Shape’中选择一个工具，然后画ROI。下图就是利用 ‘Free’ 工具追踪在一个mid-sagittal slice中的胼胝体（下图中左下角的白色胼胝体），然后我们就可以看到通过胼胝体的所有白质通路。利用‘ROI – Options’，ROI可以根据研究者自己的兴趣进行灵活的设置，任意形状都可。最后就是保存白质束追踪图像，然后在图像软件中对ps。
第七章: Image Viewing & Manipulation
Fslview和MRIcro是非常好的免费图像呈现软件，对于脑成像数据的分析结果的呈现非常有帮助。
Using FSLView