簡單來講，雙迴歸分析是ICA的一個延伸分析，旨在將ICA的組成分結果映射回單個樣本中，從而計算其組差異。許多針對大腦的功能影像資料研究的文章採用過這種方法，在此不贅述。下面進入實現部分：

一. 軟體準備

1.Linux系統

2.FSL：https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FslInstallation

二.資料準備

1.   資料轉格式dicom >> nii（fMRI / T1）

首先，在轉格式之前，在 dcm2niigui--help--Preferences 設定轉化檔名

 

Figure 1  設定轉化檔名

注意：

Dcm2nii：rfmri_dicom >> 1 個 4D 檔案

Dcm2nii：T1>>3 個 4D 檔案：*.nii，o*.nii，co*.nii（保留co後續BET）

2.  保留需要檔案

將 rfmri 的 4D 檔案存放到一個資料夾，將 coT1存放到一個資料夾。便於進一步 分析

3. BET—co_T1

Bet co*.nii >> co*_brain.nii.gz

詳細步驟另一篇文章再介紹

4.  檢查

使用Fslview 檢視個體 coT1 的 bet 結果，若腦殼基本剝乾淨，則認為 bet 結果好。否則，需要重新 bet。

5.  獲取資料路徑 txt檔案

T1_path.txt : 所有個體 bet 後 coT1 的檔案路徑 

rfmri_path.txt :所有個體靜息態資料的 4D 檔案路徑 

注意：兩個 txt 中個體序號一致

這裡可以使用shell:

! bin/sh

for i in /.../*.nii.gz

do echo $i >>/.../t1_input.txt

done

三. 獨立成分分析（FSL：MELODIC ICA）

1.準備

所有被試的 4Drfmri 資料路徑，bet 後的 coT1 路徑：T1_path.txt、rfmri_path.txt

新建資料夾作為 ICA 輸出位置： ic25

2.設定（未宣告則為預設）

 

》Data：

Inputs：所有人 rfmri 資料（rfmri_path.txt 內容貼上）

Outputs：輸出路徑（自定義）

Delete：4-10 個初始 volumes

TR：2.0 (取決於機器掃描)

Highpass cutoff：150 s = 1/150hz≈0.007Hz（低通濾波器）

》Pre-stats

Slice timing correction：interleaved（根據掃描方式決定，故與資料有關）

Bet：選擇，對功能資料 bet

FWHM：6

Highpass：不選

注：頭動校正設定預設演算法（MCFLIRT）。

》Registration

選擇 main structural image

輸入：所有人 bet 後的 coT1 資料（T1_path.txt 內容貼上）

Linear：normal search 6DOF Standard space：

Mask：MNI152_T1_2mm_brain.nii.gz

Lineal：full search 12 DOF

Resampling resolution：2mm

》stats

設定 output components：25（希望產生的成分數量）

選擇 multi-session temporal/concatenation

3.執行

點選“GO”，則開始 ICA。

會在大路徑》ica》ic25 產生 ic25.gica

rfmri 資料路徑下，產生個體的 subject_ic25.ica，包含預處理後的結果。

瀏覽器跳出 report，顯示 執行狀態。

四．挑選成分

1.初步篩選

所有成分與模板成分做空間相關，相關值越大，則空間重合度越 高，認為該成分對應模板成分。（可不做，只人眼分辨）

2.fslview

人眼核實篩選成分

開啟 fslview：對於每個 PNAS 成分，滑動 melodic_IC 不同 volumes，記錄哪個 volume

成分與模板對應。

3.整理

根據兩次篩選結果，確定每個 PNAS 模板，對應成分。

注：檢視關注的網路，若成分與之對應情況不好，則跑一些別的成分個數。

五. 雙迴歸（Dual Regression）

1.設計矩陣：

終端輸入Glm，或fsl -> Misc -> GLM Setup

選擇 High level/non-timeseries design，two-sample unpaired (配對人數也可選該項)， 第一組輸入為單組人數。

Group Group1 Group2

1 1 0

1 1 0

1 1 0

2 0 1

2 0 1

2 0 1

Contrast 部分如下表：

contrast

g1>g2 1 -1

g1<g2 -1 1

“g1>g2”為第一組被試大於第二組被試，“g1<g2”為第一組被試小於第二組被

試。

新建資料夾 DUAL 作為雙迴歸結果存放位置。將矩陣存放到 DUAL，並以 glm 命名：DUAL/glm。理論上，該矩陣可用於本組資料的每次 ica 的雙迴歸，使用時修改好路徑就可以啦。

注：設計矩陣時，分組以及資料排列順序 要與 txt 中功能資料，要保持一致。

2.產生data_all.txt

將 rfmri 路徑下每個人的 ic25.gica 下 reg_standard 下 filtered_func_data.nii.gz 功能資料路徑寫入data_all.txt。

shell如下：

#! bin/sh

for i in /home/dell2/Desktop/gene_new/run3/*25.ica

do echo $i/reg_standard/filtered_func_data.nii.gz >> /.../data_all2.txt

done

3.執行雙迴歸

在 DUAL 下開啟終端（或終端 cd 到矩陣路徑） 輸入：

dual_regression /.../*.gica/groupmelodic.ica/melodic_IC.nii.gz 1 glm.mat glm.con 5000 dual_results `cat /.../data_all.txt`

注：在終端中輸入dual_regression檢視具體釋義，產生結果每個成分的雙迴歸結果，stage3*IC*corrp*stats*

六．檢視雙迴歸結果

1.結合挑選出的網路，整理對應雙迴歸結果

mask 》 複製挑選出的 10 個成分

g1_g2》 10 個成分對應的*corrp*stats1

g2_g1》 10 個成分對應的*corrp*stats2

2.將挑選出的[2.33,10]為閾值的網路，作為模板，得到有用區域的雙迴歸結果dual_mask_corr.mat

3.檢視雙迴歸結果

mask 》複製挑選出的 10 個成分

g1_g2》10 個成分對應的 stats1

g2_g1》10 個成分對應的 stats2

after 》g1_g2、g2_g1》十個雙迴歸結果，順序與 mask 對應。

使用 fslview檢視每個mask，add after下兩個對應成分的雙迴歸結果，閾值 0.95-1