1、Freesurfer之ROI映射步驟總結前提條件：1、 完成Ubuntu系統及Freesurfer軟件的安裝配置，熟悉使用Freeview;2、 完成數據預處理，包括recon-all subjects all 及 recon-all subjects qcache;3、 知道基于freesurfer的幾個matlab 函數用法：load_mgh, save_mgh, read_annotation.vol, M, mr_parms, volsz = load_mgh(fname,<slices>,<frames>,<headeronly>)save_mgh

2、(vol,fname, M, <mr_parms>), M is the 4x4 vox2ras transformvertices, label, colortable = read_annotation(filename , verbosity)4、 .mgh及.mgz是freesurfer使用的MRI volume格式，類似于NifTI, 需用load_mgh和save_mgh函數打開讀取或生成.mgh格式文件，從而在freesurfer上使用。一、 導入matlab函數在freesurfer的安裝路徑下，有一個名為matlab的文件夾，里面有一些.m文件用于處理圖像，把這個

3、文件夾及子文件夾添加到Matlab路徑即可。另一種方法：在終端啟動freesurfer，在這個環境下運行matlab，也可以使用這些.m文件（也就是load_mgh等函數）。二、 整理好被試數據，每一被試的所有數據分別在一個目錄下（預處理后默認存放形式） 三、 統計同組所有被試皮層特征的均值：所有基于頂點的皮層測量值均保存在/surf目錄下，有左右側大腦的皮層厚度、灰質體積、皮層表面積、曲率、腦溝深度，以左腦皮層厚度為例說明：如下圖所示，lh.thickness是未向標準空間配準的，lh.thickness.fsaverage.mgh是已經向標準空間配準的，剩下的分別用 0, 5, 10, 1

4、5, 20, 25 FWHM高斯核函數進行平滑處理的標準化圖像。為何標準化？這樣可使不同被試的大腦皮層有完全相同的頂點數，也就是左右側大腦分別有163842個頂點，共327684個。此外，有多個平滑參數可選，一般選FWHM為10的平滑圖像，平滑核太小不利于消除噪音，平滑核過大則會使圖像信息損失過多。程序計算同組被試同一皮層特征的平均值：最后生成的皮層特征平均圖：四、 編輯需映射的特征文件：程序說明：根據分類性能確定重要腦區及其權重，如RTLE-NC surface area 分類有31個重要特征，同時也有對應的31個分類權重，由于分類權重過小，利用mapminmax函數把所有權重值映射到0.1

5、-1之間（選擇0.1是為了避免權重為0 的特征）；把重要腦區分配到左右腦，序號小于等于34為左腦腦區，大于35為右腦腦區； 通過read_annotation函數獲取各個腦區對應那些頂點及其位置，根據這些頂點對特定重要腦區賦予權值，非重要腦區的頂點賦零，最后調用save_mgh函數生成具有權值的特征文件。代碼： 生成的具有權重的重要腦區特征文件：五、 Freeview使用1. 先在終端啟動freesurfer, 分別輸入以下三條指令即可：tcshsetenv FREESURFER_HOME /usr/local/freesurfersource $FREESURFER_HOME/SetUpFr

6、eeSurfer.csh2. 啟動狀態如下：3. 然后在終端輸入freeview, 初次使用可能提示缺少插件，運行這條指令：sudo apt-get install libjpeg62-dev；4. Freeview界面如下圖所示：Freeview主要用來可視化，把皮層差異映射到腦模板上，腦膜版的形式主要有軟膜表面pial, 膨脹表面inflated及球形表面三種。Freeview可以從三維立體觀看皮層表面的差異，默認條件下顯示左側面及右內側，想要看其他方向需要手動旋轉，任一面都可以看，但調整到如正側面，正后面，正前面就比較難剛剛好調到位置。5. 先在surface選項把freesurfer安

7、裝目錄下的/subjects/fsaverage/surf文件夾里的lh.pial和rh.pial模板導進來，再通過左側面板中的Overlay菜單選擇load generic把.mgh文件到進入來，在Configure Overlay處可修改colorbar的顯示形式。 圓球表面視圖 膨脹表面視圖六、 映射ROI到皮層模板表面1. 將步驟三生成的同組被試同一特征平均值到皮層模板上。Colorbar有三種形式：Heat, Wheel 及Custom，顯示效果較好的是Wheel，如下圖所示。Colorbar的取值范圍應根據相應特征的顏色分布來取值，以便最大限度地顯示所有信息。不同組被試的同種特征應該設置相同colorbar范圍，而不同種特征的colorbar可根據顏色分布自定義。2. 將步驟四生成的具有權值的特征文件映射到模板上如下圖： LTLE-NC cortical thickness classification RTLE-NC surface area classi