摘要：SPM (statistical parametric mapping)方法是目前国际上公认的一种数据分析方法，并于1994年推出第一个软件版本，它结合广义线性模型和高斯场理论。SPM方法如下：
建立模型，对其中参数进行估计，然后用t检验或f检验对模型进行检验，根据所设置阈值，得到与阈值相对应的大脑激活图像，从而判定两个脑区是否存在功能连接。这种方法对于相关分析有较高的准确性，因此应用较广。
1、引言
SPM(statistical parametric mapping）一个通用软件包。它的理论和思想最初是由英国的Karl Friston在1991年提出的,当时是为了处理PET功能成像数据。到了1994年Karl Friston推出SPM的第一个正式版SPM 94,后来的SPM 95(从这个版本开始能够对fMRI数据做处理)、SPM 96,一直到现在的SPM 99都是在SPM 94的基础上加入新的算法和理论开发出来的。它的主要目的是对被试间或者被试内的不同成像结果作比较,得出一个具有统计学意义的结果,SPM处理过程中的每一步都是为了实现这个目的。SPM指的是统计参数图像,也就是这个软件的最终输出。它对所有成像数据的每一个像素点都分别计算,得出包含有每个像素点参数值的图像,这个参数图像是许多单次扫描图像所包含信息的精简和压缩。
这样有利于我们读取和理解。它的主要贡献是解决了不同图像数据间的比较问题,给出了具有统计学意义的结果对大多数的成像技术(比如fMRI,PET,EEG等)所得的数据,我们都会遇到两个关键的问题,第一是不知道应该用什么统计模型来处理分析。这是因为我们不知道所采集数据的分布形式,再加上这些技术的空间分辨率不够高,使得每个体素都包含了周围组织的信息,数据预处理过程中的对齐,又使得每个体素和周围的体素产生了更大的关联。由于这些原因,我们就不能用普通的统计分布模型(比如泊松分布,高斯分布等)来处理这些数据。第二个问题是,由于体素之间的关联性,我们在做多组图像数据的比较时,有必要对结果做矫正。
传统的方法是Bonferroni矫正,由于Bonferroni矫正主要应用于互不关联数据的统计计算,现在把它用到脑功能成像数据的处理当中,就会使得所输出的结果非常保守,在统计参数图像上几乎得不到明显的激活区。SPM给出了一种行之有效的统计方法———随机高斯场(random gaussian field),利用这个理论就能对不同的图像数据做统计学上的比较,其具体的应用就是对图像数据做高斯平滑滤波。
2、SPM的处理过程
2.1数据的采集
SPM对所处理的数据有一些严格的要求,在实验过程中要严格控制被试的头动。虽然SPM具有头动矫正功能,但在头动超过一定限度时,为保证实验的精确性,要坚决废弃那个序列的数据。对fMRI数据,在重建的时候要注意选择比例因子,使得输出的数据中的最大像素值在1000和2000之间。
2.2数据的预处理
预处理过程包含好个重要的步骤,这些步骤的主要目的就是使得SPM能够对这些数据做更好的统计分析，文章主要介绍关键几步：
2.2.1图像对齐 (Realignment)
即使我们对被试的头部做了很好的固定,在实验过程中,被试也会不由自主有一些轻微的头动,这在fMRI实验中尤为明显。这一步就是把一个实验序列中的每一帧图像都和这个序列的第一桢图像按照一定的算法做对齐,以矫正头动。做完这一步,能给出该序列中被试的头动情况,以作为是否放弃该数据的依据。
2.2.2图像配准(Coregistration)
上述头动校正的求解参数仅对同一被试的同一种成像方法(或成像模态modality) 有效,对于同一被试的不同成像方法所得图像,由于它们之间没有足够的可比性,不可以直接用头动校正的方法来求解参数,这时需要用图像融合的方法来做空间校正。基于核磁共振图像,健康人的脑组织通常可以分成三种组织类型:灰质(GM) 、白质(WM) 和脑脊液(CSF) 。可以根据图像的信号强度,人为选定不同的阈值来分割这三部分,但存在不客观性和需要去头皮的困难。SPM 软件采用聚类(clus2tering) 算法中的Hartigan[3]混合模型的最大似然方法。这一方法开始只用在T1 加权核磁共振图像上,后来也用到PET 等其他脑功能成像方法中的脑组织分割。
2.2.3空间标准化(Normalize)
由于被试间脑结构存在差异,在对不同被试采用同一种成像方法得到的图像进行空间统一时,刚性变换不再适用,就需要用带有整体形变的仿射变换和局部非线性变换，需要把不同的大脑图像进行空间标准化处理,将其转化为大小和朝向都相同的标准化图像。SPM所用的是蒙特利尔神经学研究所(Montreal eurological Institute)的ICBM(Interna-tional Consortium for Brain Mapping)152人标准脑图谱。它和传统意义上的标准脑图谱即Talairach脑图谱在大小和坐标上都有一定的差异。在这一步当中SPM提供了不同的模板,fMRI的功能像一般选用EPI.img模板,PET图像选用PET.img模板。空间标准化结果的好坏直接取决于扫描图像和模板之间的匹配程度。
2.2.4高斯平滑(Gauss Smooth)
这一步是对图像数据做高斯平滑。主要目的有两个,第一是确保图像数据具有随机高斯场的性质,以满足SPM的统计假设。第二是为了提高信噪比,图像对齐和空间标准化使得各个体素之间的关联性被改变,高斯平滑能够使相邻的体素共享更多的信息。高斯平滑的参数一般设定为分辨率的2～3倍。在fMRI实验中,由于仪器的差异,被试个体的差异,以及信噪比的不同,即使用相同的扫描矩阵,也会给出不同的分辨率,所以我们一般用体素的大小来表征分辨率。
来源：
http://52brain.com/thread-2119-1-1.html
http://blog.sina.com.cn/s/blog_4cd9aeb20101syv4.html
http://blog.sina.com.cn/s/blog_66d362d70102uxiq.html