• View
• Edit
• History
• Print

VBMSousSPM2

Créer la base de données

1. Correction des biais dans les images T1

Dans la base de donnée, vérifier que les bruXXX.ima ont été corrigé de leurs homogénéités (présence de fichier nobias_bruXXX.ima dans la base). Si ça n’est pas le cas, les créer de façon itérative sur un certain nombre de sujets manquants : Brainvisa > Anatomie > Composant du Pipeline > Correction du biais

	Cliquer en bas sur le bouton ‘iteration’.
	Sélectionner la Base de données (en cliquant alors sur la loupe verte, si la base de données a bien été sélectionné au départ), le protocole, le type d’image (GIS) et les sujets a corriger (colonne de droite : on sélectionner éventuellement plusieurs, avec le bouton contrôle => les noircir au fur et a mesure de leur sélection). Valider par ok, puis faire exécuter (sur une nouvelle fenêtre qui se sera ouverte, propre aux processus itératif).

Ca exige avant tout d’importer les anatomie (Import/Import T1 MR) par Brainvisa pour un remplissage automatique de tous les champs du traitement.

1. Création d’une base d’image de cerveaux

Mettre dans un répertoire l’ensemble des images anatomiques de notre population de cerveaux. Par exemple, déplacer tous les bruXXX.img et bruXXX.hdr vers un même répertoire (on peut tout copier a partir des répertoire de la database par cp bru32*/anatomy/nobias*.* /home/Pmad/Localizer/VBM/new_raw ) :

cp bru*/anatomy/bru*.img VBM/images

Ces images sont les images.img lisibles sous SPM mais non normalisée (et prétraitées le moins possible). Si elle n’existent pas, utiliser la commande :

AimsFileConvert –i nobias_bruXXX.ima –o nobias_bruXXX.img

Si beaucoup d’image sont a traiter, on peut utiliser un batch comme celui placé dans Localizer_database/Localizer/VBM/. On se met dans le repertoire Localizer et on lance

VBM/doConvert bru*

Ca va appliquer le batch a tout les répertoires commençant par ‘bru’, et envoyer (voir l’intérieur du script) les .img vers le même répertoire de sortie.

Analyse linéaire

Création des templates de LCR, matières grise et blanche

lancer Matlab et SPM2. Faire un Addpath(‘/home/cachia/Prog/Matlab/VBM_GASER/Scripts’). On aura besoin essentiellement besoin de deux script Matlab qu’on va lancer a la main. Ensuite, une fois crée, pour chaque sujet de la base, une image de LCR, matières grise et blanche, on aura plus qu’a faire des stat somme avec des images de contraste (fonctionnelle) dans SPM.

1) Constitution de Templates de LCR, matières grise et blanche

La première étape consiste a segmenter pour chaque cerveau des sujet le LCR, la matière grise et la matière blanche. Ensuite, ces trois données vont être traitées indépendamment pour créer un template sur lesquels seront réalignées les 3 types de données de chaque sujet.

Lancer dans Matlab : cg_create_template -What to do ?

	Choisir Segment images and create template (l’autre option sert si, une fois qu’on a segmentée toute nos images, on ne veut pas refaire cette partie mais en reprendre seulement une sous partie pour créer le template d’une sous-population).

-Cutoff Spatial Normalization

	Choisir par prudence une ‘Affine only’.

-Select Images

	Sélectionner toutes les anatomies de la base (les nobiasXXX.img)

Le deuxième traitement va lisser les données de chaque sujet histoire de gommer les défauts de recalage et de créer un continuum de valeurs valable pour les hypothèses des analyses statistiques qui y seront appliquées.

2) Segmentation (LCR, MG et MB) de chaque sujets -lancer cg_vbm_optimized

-Choisir les nobias_bruWWW.img -Choisir les template que le programme a automatiquement crée dans le repertoire ‘/template’ (qu’on aura au préalable crée a la main : T1.img, gray.img, …) -Gray + white -No additional modulation -Use own prior image : no -Affine only

Analyse des données

1) Organisation des données On peut créer les directories suivant : -raw : il contient toutes les images nobias_bruWWW.img et leur sn.mat. Ces dernières matrices sont des matrices de normalisation vers un template SPM2 qui peuvent du reste être utiliser ultérieurement pour d’autres analyses.

-template : contient les templates issue de la première étape de traitement (avgT1, csf, gray, white, T1). Ce répertoire peut a son tour contenir trois sous répertoires (grey, white et T1), dans lesquels on place respectivement les images de MG, MB et anatomiques normalisées qui ont servit a créer un premeir templates de gris, de blanc et anatomiques.

-normalized : les 3 images segmentées (seg1 = matiere grise, seg2 = matiere blanche, seg3 = LCR)

2) Analyse SPM Les images segmentées vont etre analysées comme des images fonctionelles. On peut donc faire un two sample t-test, qu’on va appliquer a nos images swnobias_bruXXX_seg1.img LISSEES a 5 ou 10 mm.

Analyse non linéaire

Création des templates de LCR, matières grise et blanche

1) Constitution de Templates de LCR, matières grise et blanche Choisir le Cutoff de 25mm, puis tout les autres paramètres par défaut.

2) Segmentation (LCR, MG et MB) de chaque sujets additional modulation choisir une transformation non-linéaire (tout les paramètres par défaut, en fait)

En ce cas, ce qu’il faudra faire, c’est smoother les images ‘modulées’ (les mGwnobais… ) et les analyser.

Info supplémentaires… http://merlin.psych.arizona.edu/~dpat/Public/Imaging/VBM/Morphometry_VBM_Segmentation/onfolio-files/VBM%20tools.htm