Fiber_Connection

通过融合T1结构图像信息与DTI图像信息便可以构建任意分割粒度等级下脑网络的连通矩阵，从而应用图论分析以期获得能够作为疾病指示物的生理特征。

1.基于BrainLabel云平台或MRICloud的T1图像分割技术

通过利用BrainLabel云平台或MRICloud可以实现对T1图像的脑区定义，具体的操作方法请参考各自网站提供的manual，这里不再赘述。

分割好的图像中包含原始T1图像，MNI空间下的T1图像，原始空间下level1的分割结果，MNI空间下level1的分割结果，原始空间下level5的分割结果，MNI空间下level5的分割结果。同时，根据选择图谱的不同，可以分为M1 286脑区或M2 283脑区。

2.基于PANDA软件的DTI图像预处理

PANDA是由北师大研究团队开发的一款自动化DTI图像分析系统，依赖于psom多任务工具包和fsl软件源，可以在基于Unix开发的系统中（如Linux, MacOS）运行。以Linux系统为例，按照PANDA软件所提供的manual完成安装，需要在Linux系统中安装matlab及fsl，fsl需要配置环境变量，可以参考这篇博客对fsl进行安装和配置。
按照PANDA提供的manual，输入文件可以是dcm格式的原始DTI图像，也可以是nii格式的4D图像，注意，nii格式的图像应该同bval,bvec一同输入PANDA中，这里强烈建议使用dcm原始格式图像，同时注意输入文件的目录结构，这一点在PANDA提供的manual中的Preparing raw data一章中有详细说明，不再赘述。
完成DTI图像预处理后应当在QC中进行质量控制。

3.利用自己的分割模板进行脑区网络构建

行文至此，我们已经完成了脑区定义和神经纤维追踪，如何将FA信息同脑区ROI信息结合将会是本节讨论内容。
PANDA为我们提供了Tracking&Network功能，设置FA路径和T1 images信息源后，将Atlas改成我们自己定义的模板图谱信息，即可实现脑网络构建。在这里软件会利用配准算法为我们完成Atlas向T1 images的配准，同时会将配准结果应用于FA图像之上，最终寻找fiber tracking结果中两个脑区之间的连通关系，生成连通矩阵。
同样，这一步结束时也应当进行严格的QC。

4.利用GRETNA进行拓扑分析

GRETNA为我们提供了网络的图论属性分析工具，选择我们需要的图论参数，将PANDA生成结果中的Network文件中的结果中自己需要的网络作为输入，进行图论属性计算，该属性可以是全局属性(Global)，亦可是局部属性(Nodal)。
该功能是Network Analysis，具体参数设置参见GRETNA manual。

5.利用GRETNA进行组间差异检验

GRETNA的Network Comparision功能为我们提供了方便的组间对比，通过t-test，设定矫正方法和协变量（例如性别，年龄）我们可以快速的完成组间图论属性对比。再通过本Repository下的Plot_Gretna代码，可以对图论属性组间对比结果进行初步绘制，选用适当的图论属性及P值信息，利用Prism软件进行高精度图像绘制即可完成论文图像绘制。
至此，我们完成了神经结构连通矩阵分析的全部内容