SPM工具在PET和fMRI分析中的应用：第二部分教程

本文还有配套的精品资源，点击获取

简介：该压缩包包含关于SPM（Statistical Parametric Mapping）软件在PET（Positron Emission Tomography）和fMRI（Functional Magnetic Resonance Imaging）图像分析中应用的系列教程。SPM是MATLAB中的一个工具箱，用于神经影像学研究，提供从预处理到结果可视化的完整框架。文档可能由吴义根撰写，主要介绍SPM在PET和fMRI数据分析中的基本原理和应用方法。教程内容可能包括SPM的工作流程、数据处理、统计模型建立、组间比较和假设检验等。

1. SPM软件及其在神经影像学的应用

1.1 理解SPM软件的核心价值

SPM（Statistical Parametric Mapping）是一个在神经影像学领域中被广泛使用的软件工具，其核心价值在于能够将复杂的神经成像数据转化为具有统计意义的三维图像。它不仅提供了一种对功能性磁共振成像（fMRI）、正电子发射断层扫描（PET）数据进行分析的途径，还允许研究者进行空间定位和时间序列分析，为理解大脑结构与功能提供了强大的技术支持。

1.2 SPM软件在临床与研究中的应用

在临床和神经科学的研究中，SPM软件起到了至关重要的作用。借助于其独特的算法，研究者能够将单一扫描的数据或多个扫描的平均数据进行对比分析，从而帮助识别与特定功能或疾病相关的脑区。此外，SPM也被应用于检测大脑活动的动态变化，以及评估治疗干预前后的效果。这种深入的分析为疾病的早期诊断、治疗效果评估和认知过程的研究提供了精确的工具。

1.3 SPM的发展趋势和未来展望

随着神经科学领域的发展，SPM也在不断地进行更新和升级，以适应日益增长的数据处理需求和分析复杂性。目前，SPM正在通过集成机器学习算法和人工智能技术来提高其分析的准确性和效率。未来，SPM可能会进一步与云计算和大数据技术结合，从而实现远程数据处理和共享，为全球范围内的神经影像学研究提供更加便捷的工具，推动科学的进步。

2. PET与fMRI图像分析基础

2.1 PET图像分析原理

2.1.1 PET技术概述

正电子发射断层扫描（Positron Emission Tomography，PET）是一种用于生物医学成像的核医学技术。它通过检测由放射性标记药物发射的正电子与组织中的电子发生湮灭时产生的伽马射线来创建三维图像。与其它成像技术相比，PET能够提供功能和代谢信息，使其在疾病诊断和研究中非常有价值。

PET扫描仪的核心是一个环形的探测器阵列，用来探测并定位伽马射线。PET扫描过程中，患者会事先注入含有放射性同位素的药物，如18F-FDG（氟代脱氧葡萄糖），这些药物会在体内分布，并在特定的生物过程中被细胞吸收。当正电子与电子湮灭时，会释放出两个方向相反的伽马光子，这些光子被探测器阵列探测到并用来重建图像。

PET技术的应用非常广泛，包括肿瘤学、心脏病学和神经科学等领域。在肿瘤学中，PET能够用于检测肿瘤的位置、大小和代谢活动；在心脏病学中，可用于评估心脏血流和代谢活动；在神经科学中，用于研究大脑功能和神经退行性疾病。

2.1.2 PET数据的特点与处理流程

PET数据的特点主要体现在其功能性和代谢性信息。与结构成像技术如CT或MRI相比，PET图像能够提供更加深入的生物学和病理学信息。PET数据的分析需要考虑到多个因素，包括放射性药物的动力学、受试者生理状态、扫描时的条件等。

PET图像处理流程大致可以分为以下步骤：

1. 图像获取 ：使用PET扫描仪获取受试者组织中放射性药物分布的原始数据。
2. 重建算法 ：应用算法将探测到的信号转换为图像。常用的重建算法包括反投影和迭代重建方法。
3. 图像校正 ：对图像进行衰减校正、散射校正、随机符合校正和死时间校正，以消除不同物理因素造成的图像失真。
4. 标准化和配准 ：将图像数据标准化到某种模板空间，如MNI（Montreal Neurological Institute）空间，同时，如果有需要，将不同时间点的图像或不同受试者的图像进行配准。
5. 定量分析 ：利用感兴趣区域（Region of Interest，ROI）分析或体积分析方法，对标准化和校正后的图像进行定量分析，提取出代谢参数或功能参数。

2.2 fMRI成像技术原理

2.2.1 fMRI工作原理简介

功能性磁共振成像（functional Magnetic Resonance Imaging，fMRI）是通过磁共振成像（MRI）技术检测大脑在执行特定任务或受刺激时的血氧水平依赖性（Blood Oxygen Level Dependent，BOLD）信号变化，从而获得大脑功能活动的信息。

fMRI技术基于血氧水平依赖对比度（BOLD-contrast），它依赖于血流动力学反应原理。当一个脑区激活时，该区域的血流量和血氧含量会上升，造成该区域的T2或T2*加权信号增强。这一变化可以在fMRI扫描过程中检测到，进而推断出大脑的功能活动区域。

fMRI扫描通常有两种模式：静息态fMRI和任务态fMRI。静息态fMRI检查脑在无特定任务状态下的活动模式，而任务态fMRI则在受试者执行特定任务时进行扫描，以便观察在任务刺激下的大脑活动变化。

2.2.2 fMRI数据的基本特性

fMRI数据具有高时间分辨率和相对较低的空间分辨率特点。时间分辨率通常在秒级，可以捕捉到快速的脑活动变化。空间分辨率一般在毫米级，与MRI图像的分辨率相当，因此能够分辨出脑内的不同结构。

fMRI数据分析流程包括数据预处理、统计分析和结果解释：

1. 数据预处理 ：通常包括去趋势、去噪、头部运动校正、空间标准化、空间平滑等步骤。预处理的目的在于提高数据质量和统计分析的准确性。
2. 统计分析 ：利用一般线性模型（General Linear Model，GLM）等方法，进行体素间的统计推断，确定哪些脑区在任务执行时显示出显著的活动变化。
3. 结果解释 ：对统计分析的结果进行解释，通常需要结合解剖学知识和已有的神经科学研究结果进行解读。

fMRI数据处理和分析技术是研究大脑功能结构和疾病机制的重要工具，对于理解大脑如何处理信息和响应环境变化具有重要意义。

3. SPM工具箱在MATLAB中的应用

3.1 SPM工具箱安装与配置

3.1.1 安装SPM工具箱的步骤

在神经影像学研究中，SPM（Statistical Parametric Mapping）工具箱已经成为分析PET与fMRI数据的重要平台，而MATLAB则是SPM运行的基础环境。为了确保SPM能够顺利运行，正确的安装与配置步骤至关重要。

1. 下载MATLAB ：首先，确保你的计算机上安装了兼容的MATLAB版本。SPM工具箱通常要求MATLAB的R2018a或更新版本。

2. 设置MATLAB环境变量 ：在MATLAB的命令窗口中输入 addpath 命令，将SPM工具箱的文件夹路径添加到MATLAB的路径变量中。例如：

   matlab addpath('D:\SPM12');

   这里的’D:\SPM12’是假设你安装SPM工具箱的路径。

3. 检查依赖工具箱 ：SPM依赖于许多其他的工具箱，例如MATLAB的图像处理工具箱（Image Processing Toolbox）、统计和机器学习工具箱（Statistics and Machine Learning Toolbox）等。确保这些工具箱已经安装，可以通过在MATLAB中运行 ver 命令来检查已安装的工具箱列表。

4. 初始化SPM ：在安装完毕所有依赖后，可以运行 spm 命令初始化SPM工具箱。这会创建SPM所需的文件夹和配置文件。

3.1.2 MATLAB与SPM环境的配置

在MATLAB环境中使用SPM需要一定的配置以确保两者可以无缝合作。以下是进一步的环境配置步骤：

1. 设置SPM文件夹路径 ：确保SPM文件夹包含所有必要的子文件夹，如 {SPM}/toolbox 。

2. 配置批处理文件 ：在Windows系统上，你可能需要配置SPM的批处理文件（例如 D:\SPM12\bin\win64\spm12.bat ），以便MATLAB能通过批处理文件调用SPM。

3. 启动SPM图形用户界面（GUI） ：启动SPM的图形用户界面，可以通过在MATLAB命令窗口中输入 spm fmri 或 spm pet ，根据你的研究需求进行相应的分析。

4. 配置文件权限 ：在Unix-like系统中，确保SPM文件夹具有执行权限，可以通过运行 chmod -R 755 {SPM} 命令来设置权限。

通过遵循上述步骤，你可以成功地在MATLAB环境中安装和配置SPM工具箱，为进行神经影像学研究打下基础。

3.2 SPM基本操作流程

3.2.1 图像空间的标准化

图像空间标准化是将脑影像数据转换为标准化空间的过程，便于进行群体间的比较。在SPM中，这一过程主要通过以下步骤完成：

1. 预定义空间的创建 ：SPM使用标准的MNI（Montreal Neurological Institute）空间模板来引导空间标准化。你可以指定一个模板文件，例如 {SPM}/canonical/avg152T1.nii 。

2. 配准过程 ：配准是指将个体的脑影像与标准模板进行配对的过程。SPM提供了多种配准方法，如线性配准、仿射配准和非线性配准。线性配准通过12个参数（3个平移、3个旋转、3个缩放和平面的剪切）将两个图像对齐。

3. 应用标准化变换 ：标准化变换的过程会生成一系列变换参数，这些参数可以用来将原始图像映射到标准空间中。SPM将这些变换应用到个体图像上，生成标准化后的图像数据。

3.2.2 单样本分析操作

单样本分析是分析单个组别数据的基本方法，其目的是探究在该组别内的主要趋势和特征。以下是单样本分析的主要步骤：

1. 构建一般线性模型（GLM） ：首先，你需要构建一个适合你数据的一般线性模型。SPM提供了一系列设计矩阵的选项，允许你指定你的实验设计。

2. 指定统计参数图（SPM） ：在单样本分析中，SPM生成统计参数图（如t图或F图），这些图反映了统计显著性水平。

3. 应用高斯平滑 ：为了满足统计参数推断的正态分布假设，通常需要对标准化后的数据进行高斯平滑。

4. 计算对比度 ：对比度是用来比较两个条件或组别的参数。在SPM中，你可以定义对比度来检验特定的假设。

5. 查看和解释结果 ：SPM会生成一个或多个统计参数图，你可以查看这些图表来解释你的数据。

单样本分析是SPM操作中的关键步骤，为后续的组间比较和群体分析奠定了基础。通过本章节的介绍，你可以了解到在MATLAB中如何使用SPM工具箱进行基本的神经影像学分析。下一章节将深入探讨SPM预处理的详细步骤。

4. SPM工作流程的详细解析

4.1 SPM预处理步骤

4.1.1 功能图像预处理

功能MRI（fMRI）数据预处理是确保结果可靠性的关键步骤，涉及多个环节，包括图像配准、归一化、去噪、空间滤波等。SPM（Statistical Parametric Mapping）软件提供了强大的预处理工具，能够自动执行一系列预处理步骤以提高数据质量。

在进行功能图像预处理之前，首先需要理解数据的基本特性，如体素大小、图像尺寸、时间序列长度等。这有助于决定预处理流程中的参数设置。SPM预处理通常包括以下关键步骤：

1. 时间层校正 ：确保图像数据的时间对齐，对于理解不同时间点的脑活动至关重要。
2. 头动校正 ：校正由于头部运动导致的数据不一致。
3. 配准（ Registration） ：将个体脑图像配准到标准空间，便于后续比较分析。
4. 空间平滑 ：应用高斯核来增强图像信号并减少噪声。

例如，以下是一个SPM在MATLAB环境中进行功能图像预处理的代码段：

% 假设fmri_data为加载的fMRI数据变量
fmri_data = spm_preproc fmri_data;

% 时间层校正
fmri_data = spm_slice_time fmri_data;

% 头动校正
fmri_data = spm_realign fmri_data;

% 配准到MNI空间
fmri_data = spm_coreg fmri_data;

% 空间平滑处理
fmri_data = spm_smooth fmri_data;

每一步都有其作用和参数设置，在执行这些步骤时需要细致地调整参数以确保最佳效果。例如， spm_smooth 中的平滑核大小需要根据研究目的和数据特性来选择。

4.1.2 结构图像预处理

结构MRI（sMRI）数据提供了高分辨率的脑结构信息，这对于理解功能图像具有重要意义。结构图像的预处理流程虽然与功能图像类似，但侧重点有所不同，它更注重于脑组织的分割和归一化。

结构图像预处理主要包括：

1. 组织分割 ：将脑结构从非脑结构中分离出来，如提取灰质、白质和脑脊液。
2. 归一化 ：将个体脑结构图像配准到标准的解剖空间，以允许群体间的比较。
3. 创建灰质密度图 ：为后续的统计分析准备数据。

结构图像预处理的代码示例如下：

% 假设structural_data为加载的结构MRI数据变量
structural_data = spm_preproc structural_data;

% 组织分割
structural_data = spm_segment structural_data;

% 归一化到MNI空间
structural_data = spm_coreg structural_data;

% 创建灰质密度图
structural_data = spm_normseg structural_data;

SPM软件的预处理功能将帮助用户快速完成图像预处理的复杂流程，但用户需要对每一步骤进行优化以适应具体的研究需求。

4.2 SPM统计模型的建立

4.2.1 一般线性模型（GLM）基础

统计模型是SPM软件进行数据分析的核心。一般线性模型（General Linear Model，GLM）是fMRI数据分析中广泛使用的一种统计方法。GLM能够对因变量与多个自变量之间的关系进行建模。在fMRI分析中，GLM用以解释脑功能图像中体素的时间序列数据。

GLM的基本形式如下：

Y = Xβ + ε

这里， Y 代表观测数据向量， X 为设计矩阵，包含了自变量的信息， β 是参数向量， ε 是误差项。

构建GLM的过程涉及几个关键步骤：

1. 定义设计矩阵 ：包含时间序列、实验条件和刺激事件等。
2. 指定对比 ：确定研究假设，构建用于参数估计的对比矩阵。
3. 估计参数 ：利用最小二乘法等估计出模型参数。
4. 计算统计图 ：得到F统计量或t统计量的图像，用于推断脑活动。

在SPM中使用GLM进行数据分析通常涉及以下代码：

% 定义设计矩阵
design = spm_design;

% 拟合模型
model = spm FitGLM(design);

% 计算对比
contrast = spm Contrasts(model);

% 结果分析与可视化
results = spm Report(contrast);

GLM为神经影像学研究提供了强大的统计分析能力，但同时也需要用户深入理解统计原理，才能合理地构建和解释模型。

4.2.2 空间滤波与时域滤波

在SPM中，滤波是预处理和分析过程的重要组成部分。空间滤波和时域滤波技术被用于增强信号并减少噪声。

空间滤波 主要通过高斯核平滑来增强体素之间的空间一致性。这一过程涉及到空间分辨率的权衡，因为过度平滑会导致空间结构信息的损失。

时域滤波 则是通过低通、高通和带通滤波器来处理时间序列数据，目的是去除信号中的随机噪声或特定频率的噪声。

在SPM中应用空间滤波和时域滤波通常使用以下代码：

% 空间滤波
fmri_data_smoothed = spm Smooth fmri_data;

% 时域滤波
fmri_data_filtered = spm Filter fmri_data;

SPM软件通过提供预定义的滤波函数来简化滤波过程，但用户需要根据数据特性来设置滤波参数。例如，选择适当的滤波器类型和截止频率。

在本章节中，我们详细解析了SPM工作流程中的预处理步骤和统计模型的建立。通过了解这些基础知识，研究者能够更好地利用SPM工具箱在MATLAB中进行神经影像学研究。在下一章节中，我们将进一步探讨PET与fMRI数据处理的高级技巧。

5. PET与fMRI数据处理高级技巧

5.1 PET图像处理的高级技术

5.1.1 纹理分析与放射性示踪剂研究

纹理分析在PET图像处理中是评估病变区域放射性分布的一种重要手段。其通常用于评估组织的同质性和复杂性，进而辅助诊断和治疗监测。放射性示踪剂作为PET成像的关键，其选择与使用直接影响到图像的质量与分析的准确性。

在PET图像纹理分析中，常见的方法有灰度共生矩阵（GLCM）、灰度游程长度矩阵（GLRLM）、形状特征提取等。每个纹理特征都有其独特的生物医学意义。例如，GLCM可以揭示PET图像中纹理的方向性、密度、对比度等信息，而GLRLM则用于分析图像中灰度值序列的长度分布，以此来评估组织的连续性。

纹理分析的步骤通常包括：

1. 图像预处理：包括去噪、标准化和分割感兴趣区域（ROI）。
2. 纹理特征计算：基于选定的纹理分析算法计算特征值。
3. 特征选择：根据研究目的和需求选择适当的纹理特征。
4. 分析与解释：使用统计分析方法评估纹理特征与放射性示踪剂的分布之间的关系。

对于放射性示踪剂的研究，其涉及对放射性示踪剂的化学合成、生物分布、药物动力学特性以及与特定生物过程的相互作用。在处理PET图像时，理解不同示踪剂的特性对于正确解释成像结果至关重要。

5.1.2 PET数据校正与重建技术

PET数据的准确性和可靠性受多种因素的影响，其中主要的干扰因素包括患者的运动、衰减、散射和随机事件。因此，PET图像的校正与重建是保证数据质量的关键步骤。

PET图像校正主要包括以下步骤：

1. 运动校正：通过定位标记或图像配准技术校正患者在扫描过程中的运动误差。
2. 衰减校正：使用CT图像数据计算衰减因子，对PET图像进行衰减校正。
3. 散射校正：减少PET图像中的散射事件，以提高图像的定量精度。
4. 随机事件校正：校正探测器间偶然同时触发事件，以降低背景噪声。

PET图像重建技术的发展极大地提高了图像质量和诊断的准确性。重建算法常用的包括滤波反投影（FBP）、有序子集期望最大化（OSEM）和迭代算法等。

OSEM是一种常用的迭代重建技术，它能够在减少噪声的同时保持图像的空间分辨率。与FBP相比，OSEM能够从较少的投影数据中重建出更清晰的图像，这对于减少患者的放射性暴露和提高扫描效率具有重要意义。

% 示例代码：OSEM重建 PET 图像
function OSEM_reconstruction(image)
    % 参数初始化
    subsets = 8;    % 子集数量
    iterations = 5; % 迭代次数
    angles = 180;   % 采集角度数

    % OSEM算法初始化
    OSEM_image = zeros(size(image)); % 初始化重建图像
    for iter = 1:iterations
        for subset = 1:subsets
            % 投影和反投影
            project = project_image(OSEM_image, subset, angles); % 假设函数
            back_project = back_project_image(project, subset, angles); % 假设函数
            % 更新重建图像
            OSEM_image = OSEM_image + back_project;
        end
    end
    % 显示重建图像
    imshow(OSEM_image);
end

在上述代码中，我们假设存在两个函数 project_image 和 back_project_image ，分别用于执行投影和反投影操作。OSEM算法通过多次迭代，在每个子集上应用投影和反投影步骤，逐步逼近真实图像。这个过程涉及大量的数学计算和优化，通常在专业的医学图像处理软件中实现。

5.2 fMRI数据预处理的进阶方法

5.2.1 多模态功能成像融合技术

多模态功能成像融合技术指的是将fMRI与其他影像学数据（如PET、CT、EEG或结构MRI）结合，以获得更全面的生理和神经活动信息。这项技术在研究复杂的神经网络和疾病机制时尤为重要。

在多模态数据融合中，一个核心问题是如何在空间和时间尺度上对齐不同模态的图像。空间对齐主要通过图像配准来实现，常用的是基于互信息和归一化互信息的配准方法。时间对齐则依赖于精确的时间戳标记和信号同步技术。

多模态融合的优势在于：

• 提高信噪比，增强统计效力。
• 在不同的空间和时间尺度上提供互补信息。
• 有助于解剖和功能信息的综合解读。

5.2.2 事件相关设计与统计分析

事件相关设计（Event-related design）是fMRI研究中的一种常用实验设计方法。在事件相关设计中，研究者设计一系列特定事件（如视觉刺激、语言处理任务或运动行为），并记录与之相关的脑活动变化。与块设计（Block design）不同，事件相关设计可以在较短时间内捕捉到单次事件引起的大脑反应，这对于研究大脑对瞬时刺激的反应过程非常有用。

统计分析是理解fMRI数据的关键步骤。通常采用的统计模型包括一般线性模型（GLM），该模型能够结合多种类型的输入（如刺激函数、行为变量）和数据（如BOLD信号）来分析大脑的激活情况。基于GLM的统计分析能够识别出与实验设计相关的脑区，并评估其活动水平的显著性。

事件相关设计的数据处理流程包括：

1. 预处理：包括去噪、标准化、空间平滑和时间滤波。
2. 模型拟合：利用GLM对每个体素的BOLD信号进行拟合。
3. 对比与推断：对比不同条件下的模型参数，进行统计推断。
4. 结果呈现：以统计图和脑图的形式展示分析结果。

统计分析中的多重比较问题需要特别注意。由于fMRI数据通常包含大量的体素，因此在统计推断时容易产生第一类错误（假阳性）。解决该问题的方法包括使用校正的p值、簇大小阈值法和混合效果模型等。

% 示例代码：GLM统计模型拟合
% 假设X为设计矩阵，Y为BOLD信号时间序列矩阵
beta = inv(X'*X) * X' * Y'; % 参数估计
t_stat = beta / sqrt(diag(inv(X'*X) * X' * X * inv(X'*X))); % t统计量计算

% 进行多重比较校正（以FDR为例）
p_values = 2 * (1 - tcdf(abs(t_stat), df)); % 计算p值
p_corrected = fdr(p_values); % FDR校正

在上述代码中， fdr 函数是一个假设的函数，用于执行False Discovery Rate（FDR）多重比较校正。 df 是自由度，通常由模型和样本量决定。通过这种方式，研究者可以得到更为准确和可信的统计推断结果。

总结来说，第五章深入探讨了PET与fMRI数据处理的高级技巧。在PET图像处理方面，重点介绍了纹理分析与放射性示踪剂研究，以及数据校正与重建技术。在fMRI数据处理方面，探讨了多模态功能成像融合技术及事件相关设计与统计分析方法。这些高级技巧对于深入理解和处理神经影像数据，以及推动临床和科研工作具有重要意义。

6. 从理论到实践：统计模型的建立与结果解读

6.1 组间比较与假设检验

在神经影像学研究中，组间比较是检验不同群体之间差异性的重要手段，而假设检验则是统计分析的核心步骤之一。理解统计功效和样本量计算对于设计一项科学严谨的研究至关重要。

6.1.1 统计功效与样本量计算

统计功效是指当实际存在效应时，研究能够检测到该效应的概率。一般来说，统计功效越高，研究结果的可靠性越高。样本量的计算应基于预期效应大小、统计功效水平和显著性水平。在PET和fMRI研究中，常见的预期效应大小可能涉及大脑激活模式的差异等。计算样本量时，可以使用一些专业的统计软件或在线计算器，以确保获得足够的统计功效。

% 示例代码计算所需样本量（使用MATLAB的 sampsizepwr 函数）
% 假设研究的统计功效为0.8，显著性水平为0.05
n = sampsizepwr('ttest', 0.5, 0.05, 0.8, 'Tail', 'right');
fprintf('所需的最小样本量为：%d\n', n);

在上述MATLAB代码中，我们使用了 sampsizepwr 函数来计算在特定的效应量（0.5），显著性水平（0.05），预期统计功效（0.8）下的最小样本量。这是一个单侧检验的例子。

6.1.2 多变量统计分析方法

多变量统计分析是指同时考虑多个变量的统计方法。在神经影像学中，这些变量通常指不同的脑区、不同的认知任务等。多变量分析能够帮助研究者评估多个变量之间的相互作用以及它们如何共同影响研究结果。常用的多变量分析方法包括多元回归分析、主成分分析（PCA）、偏最小二乘法（PLS）等。SPM软件中集成了这些分析方法的模块，可以帮助研究者处理复杂的多变量数据集。

% 示例代码展示如何进行多元回归分析（伪代码）
% 假设X为预测变量矩阵，Y为结果变量矩阵
[b,~,~,~,stats] = regress(Y, X);
fprintf('回归系数为：\n');
disp(b);

在上述MATLAB代码中，我们使用了 regress 函数来执行多元回归分析，其中 X 和 Y 分别代表自变量和因变量矩阵。代码输出了回归系数以及相关统计信息。

6.2 实际案例操作与结果解释

了解如何在SPM软件中执行实际操作以及如何解读结果是将理论应用到实践中的关键步骤。

6.2.1 SPM软件操作实战演练

在这一部分，我们将通过一个具体的案例来演示如何在SPM软件中建立统计模型并执行组间比较。首先，需要准备预处理后的功能图像数据，并将它们导入SPM软件中。接着，设定模型，包括组别、协变量以及任何需要控制的变量。然后，运用一般线性模型（GLM）进行统计分析，并查看统计参数图（SPM）来确定哪些脑区在统计上显著。

操作步骤可能包括：

1. 打开SPM软件并选择相应的分析类型。
2. 导入预处理后的功能图像。
3. 设置实验设计和统计模型。
4. 计算统计模型并生成SPM图。
5. 查看结果并进行初步的阈值处理。

6.2.2 结果图的解读与科研报告撰写

解读SPM结果图需要对脑区功能和解剖结构有所了解。通常，SPM结果图会显示F统计量或t统计量，表示统计上的显著性水平。在报告中，研究者应该清晰地描述研究的目的、使用的统计模型、分析方法和主要发现。通过图片、表格和文字解释相结合的方式，来说明研究结果对现有文献的贡献以及可能的科学含义。

为了提高报告的质量，可以使用以下结构：

1. 引言部分说明研究背景和研究问题。
2. 方法部分详细介绍实验设计、数据收集和统计分析方法。
3. 结果部分呈现统计分析的具体发现，并使用图表辅助说明。
4. 讨论部分探讨结果的意义、局限性以及对未来研究方向的建议。
5. 结论部分总结研究的主要发现并提出科学建议。

通过这些步骤，研究者不仅能够建立和执行统计模型，还能够将结果有效地传达给同行和公众。

本文还有配套的精品资源，点击获取

简介：该压缩包包含关于SPM（Statistical Parametric Mapping）软件在PET（Positron Emission Tomography）和fMRI（Functional Magnetic Resonance Imaging）图像分析中应用的系列教程。SPM是MATLAB中的一个工具箱，用于神经影像学研究，提供从预处理到结果可视化的完整框架。文档可能由吴义根撰写，主要介绍SPM在PET和fMRI数据分析中的基本原理和应用方法。教程内容可能包括SPM的工作流程、数据处理、统计模型建立、组间比较和假设检验等。

本文还有配套的精品资源，点击获取