关于FC和ROIsignals

Submitted by Oscar on Thu, 09/23/2021 - 08:23

严老师好！

    我在处理fRMI数据的时候，通过ReHo和fALFF计算得到显著的区域，打算将其作为ROI进行功能连接分析。

但我不是很明白functional connectivity和ROI time courses的区别。按照视频中的内容，FC是voxel-wise seed based的相关分析，

而ROI time courses是ROI-wise的功能连接分析，则应该选择ROI time courses才对。但这样说的话，FC又是在什么情况下才使用呢？

 

    另外就是在使用两种方法之后，发现ROI time courses中提取时间序列的数值，就是对应的种子点的均值，这个是可以理解的；而FC得到的

SeedSeries则不是简单的均值（虽然数值上很接近，但确定是不一样的）。关于这个问题，实际上严老师17年就在

http://rfmri.org/content/difference-between-time-series-extracted-functional-connectivity-analysis-and-extract-roi

做了解释，但我在计算的时候，实际上就是使用模板去过滤，然后求其均值，所以从这个角度来讲，FC跟ROI time courses的本质依旧是一致的。

而且在18年的时候 PengyuZhang 也提出过二者的区别的问题，

http://rfmri.org/content/dpasfa%E5%81%9A%E5%8A%9F%E8%83%BD%E8%BF%9E%E6%8E%A5%E6%97%B6%E7%9A%84%E8%BE%93%E5%87%BA%E6%96%87%E4%BB%B6

所以能不能请严老师详细介绍下二者的区别？

 

    恳请严老师在百忙之中抽空答疑解惑，不胜感激！

 

Forums:

puyunfashi

Fri, 09/24/2021 - 02:38

您好：

功能像每隔一个TR（一般为2秒）会记录一次全脑的BOLD信号，这样持续数分钟后会形成一系列具有先后顺序的全脑图像序列。如果我们考虑某个脑区，取这个脑区平均BOLD信号数值的话，就会形成这个脑区随着时间进展BOLD信号的变化情况，这就是ROI time course。

 

随后有两种处理方法，一种是计算这个脑区的time course的本身的特征(ALFF)，或者计算这个脑区的time course与其它脑区的time course的相关，也就是FC。

 

可能会引起困惑的是对ALFF也可以提取“ROI time course”, 这只是软件起的一个名字，这个“time course”只有一个时间点，实际上是这个脑区ALFF的平均数值。

 

祝好！

Oscar

Fri, 09/24/2021 - 10:07

非常感谢您如此迅速的回复！

ROI time course的概念是理解了，但是dpabi GUI设置里面，有一个是functional connectivity，有一个是ROI time courses（如下图所示）。

我自己也提取了部分点的数据，求了整个时间窗口的信号的均值，然后进行皮尔森相关分析，得到的结果与ROI time courses中的

一致，但是这两个的结果，跟functional connectivity得到的结果稍微不同，而且可以肯定不是精度引起的问题。所以我的问题

可以简单理解为，红色框内的两个有何不同？以及什么时候选择哪一个？

YAN Chao-Gan

Tue, 09/28/2021 - 15:19

functional connectivity 主要是计算种子点到全脑的功能连接图。

Oscar

Wed, 09/29/2021 - 04:00

可是我选择后者，time course之后，定义ROI时，选择的如果是AAL模板，那其实也是一种种子点到全脑的功能连接了。

而且如果二者都是计算的皮尔森相关系数，选择的ROI又都是一样的，那理论上来讲，二者的结果应该是一致的吧？

puyunfashi

Wed, 09/29/2021 - 07:42

选择后者的话你得到的是一个.mat文件（所有脑区的时间序列），而选择前者得到的是许多.nii文件（每个脑区和全脑其它位置的功能连接图）

Oscar

Wed, 09/29/2021 - 09:11

    是的，得到的结果确实如此，例如我使用的是3个ROI，再加上AAL116的模板，则相应的每个被试都会有119个ROI对应的nii格式的图，再加上Z变换，就是119*2=238个nii文件，还有1个mat，1个txt，1个tsv文件。这里的tsv文件记录对应的ROI信息，mat文件与txt文档都是一个230*119的矩阵，对应时间点数乘以ROI的个数，所以其实这一步我就不是很懂，因为理论上来讲得到的结果应该是119*119的矩阵才是，而这里却成了时间乘以种子点数，230*119）而time course就有这样的矩阵结果，即ROIcorrelation的序列，对应的是119*119的矩阵；而且time course正如视频中以及您所讲的，也会提取出每个脑区的时间序列信息。

    所以230*119的矩阵是怎么来的？而如果是做的FC，那么，后续的分析是否只能根据nii图像，进行119次ANCOVA？

puyunfashi

Thu, 09/30/2021 - 08:00

您应当使用那个ROIcorrelation开头的119*119的矩阵进行后续的FC分析。

Oscar

Fri, 10/01/2021 - 03:53

    是的，理论上来讲就应该使用119*119的矩阵进行连接分析。

    可是下图选项中的functional connectivity，得到的seed series又是什么呢？即前面提到的230个时间点119个ROI的矩阵。ROI signal那里应该就是一个ROI所在区域所有点的均值的时间序列，而ROI signal跟seed series又不同。

    

YAN Chao-Gan

Thu, 10/07/2021 - 05:38

你用了全脑mask，有一些ROI在全脑mask外面，所以会造成差别。你在计算Functional Connectivity时，如果不选dafault mask，而是选no mask或61*73*61全是1的mask，他们提取出来的数值就会一致。

Oscar

Mon, 10/11/2021 - 09:23

好的，明白严老师这个意思，非常感谢！