آموزش SPM- قسمت دوم


 

در بخش قبل آموزش SPM را شروع کردیم و به مباحث مقدماتی پیرامون نحوه‌ی اجرای SPM و نمایش داده در آن پرداختیم.

در این قسمت بحث را با بررسی توابع پیش‌پردازش فضایی موجود در SPM ادامه خواهیم داد.

 

توابع پیش‌پردازش فضایی

این توابع که در بخش بالایی منویِ اصلیِ SPM قرار دارند برای اهداف زیر به کار می‌روند:

۱. تطبیق همه‌ی اسکن‌های یک نمونه
٢. تطبیق همه‌ی نمونه‌ها به یک فضای استاندارد

مهم‌ترین ابزارهای این بخش؛ Realign، Slice timing correction، Coregister، Normalize، Smooth و Segmentation هستند که یک به یک به بررسی آن‌ها می‌پردازیم.

 

تابع Realign

تغییرات در شدت سیگنال در طی زمان، در هر یک از ووکسل‌ها، می‌تواند به دلیل حرکت سر بروز کند که این تغییرات موجب بهم‌ریختگی‌های شدید در تصاویر می‌شوند. با وجود محدودیت برای حرکت سر، دیده شده است که حرکت‌های میلی‌متری اجتناب‌ناپذیر است. این تابع ساده‌ترین تابع برای تطبیق دو اسکن است. در واقع این تابع فقط حرکت اسکن در راستای محورهای Y،X و Z و دوران حول این محور‌ها را انجام می‌دهد. هدف این تابع کمینه کردن اختلاف دو اسکن با روش آزمون و خطاست. تابع هزینه‌ای که کمینه می‌شود، مربعات اختلاف دو اسکن است. به طور کلی، این تابع برای تصحیح خطاهای حرکتی حین اسکن کردن کاربرد دارد.

با انتخاب این گزینه از منوی اصلی SPM، داریم:

1. تخمین (Estimate): با انتخاب این گزینه ماتریس تبدیل برای مجموعه‌ای از اسکن‌ها محاسبه می‌شود و در سرآیند اسکن‌ها قرار می‌گیرد.

2. بازبرش (Reslice): در این حالت اسکن‌ها با توجه به ماتریس تبدیل تغییر و در فایل دیگری با اضافه پیشوندی ذخیره می‌شوند.
در بیشتر مواقع reslicing خیلی کار ضروری‌ای نیست و حتی ممکن است سبب کاهش کیفیت شود. با این حال، قبل از شروع تحلیل آماری امری ضروری است.

3. Estimate and Reslice: با انتخاب این گزینه هر دو حالت فوق به یک باره روی مجموعه اسکن‌ها انجام می‌شود.

 

تابع Slice timing correction

شیوه ی تصویر برداری به روشهایی مثلِ MRI، اسلایس به اسلایس می‌باشد. یعنی تصویرِ کل مغز یا حجم مورد نظری از مغز، به یکباره قابل پوشیده شدن نیست. بنابراین با گرفتن مجموعه تصاویری از اسلایس‌های مختلف مغز، تصویر برداری از مغز انجام می‌گیرد.
به عنوان مثال، برای یک حجم “عملکردی” 30 بُرشه، ممکن است داده‌های “آخرین برش” تقریباً 3 ثانیه بعد از داده‌های “برش اول” اندازه گیری شوند، و طبیعتا 3 ثانیه فاصله‌ی زمانی از حالت مغز، در هنگام انجام تسکی توسط  یک فرد، زمانِ زیادیست و لازم است که این اختلاف زمانی بین ثبت اسلایس‌ها، به شکلی اصلاح شود.

بعد از انتخاب این گزینه از منوی اصلی  SPM، پارامترهای زیر را برای تنظیم کردن، مشاهده می‌کنید:

ابتدا مطابق بخش‌های قبل، داده (های) موردنظر را انتخاب می‌کینم.

 

Number of Slices: در این قسمت باید تعداد برش های EPI مورد نظر وارد شود.

TR: در این بخش، مدت زمان دسترسی به هر یک از اسکن‌های عملکردی را به ثانیه وارد می‌کنیم.

TA: در این قسمت باید زمان بین دسترسی اولین برش و آخرین برش را به ثانیه وارد کنیم. مقدار TA عموما از

 رابطه‌ی TR – (TR / Number of Slices) محاسبه می‌شود.

Slice Order: مدل دستیبای به برش‌ها را در این بخش مشخص می‌کنیم.

مدل اول- Ascending or descending: برش‌ها یک به یک از بالا به پایین یا روشی یه این شکل به دست‌می‌‌آیند. برای مثال:

[1:30]: برا ی30 برش از بالا به پایین می‌تواند وارد شود.

[30: -1: 1]: برای 30 برش از پایین به بالا می‌تواند وارد شود.

مدل دوم- Interleaved: در این روش، ابتدا برش‌های شماره‌ی فرد و بعد برش‌های شماره‌ی زوج (و یا بالعکس) به دست می‌آید. برای مثال:

این کار را می‌توان به صورت زیر کرد:

[29: 2: 30،1: 2: 2]: صعودی، ابتدا برش‌های زوج.

[2: -2: 1،30: -2: 29]: نزولی، ابتدا برش‌های فرد.

Reference Slice: برشی است که دیگر برش‌ها بر اساس آن اصلاح می‌شوند. عموما برشی که در نیمه راه اسکن به دست آمده، برای این منظور انتخاب می‌شود.

 

تابع Coregister

این تابع برای تطبیق اسکن‌هایی که مُدالیته و ساختارهای متفاوتی دارند استفاده می‌شود. به عنوان مثال برای همسان کردن دو اسکنی که با وزن‌دهیِ متفاوت T1 و T2 هستند، می‌توان از این گزینه استفاده کرد.

با انتخاب این گزینه از منوی اصلی، سه گزینه‌ی Estimate، Reslice و Est & Res مطابق آنچه ذکر شد نمایش داده می‌شود.

در فاز Estimate پارامترهای زیر در پنجره‌ای نمایش داده می‌شوند که باید مقداردهی شوند:

 

reference image: اسکن مرجع اسکنی است که قصد داریم بقیه‌ی اسکن‌ها با آن منطبق شوند.

source image: اسکنی که باید بر روی اسکن مرجع دستکاری شود.

other images: این گزینه اختیاریست و تصاویر انتخاب شده در این بخش، دچار دستکاری‌هایی مشابه با دستکاری‌های اعمال شده روی تصویر منبع می‌شوند.

 

تابع Normalize

نرمال‌سازی عبارت است از انجام پردازش‌هایی به منظور کاهش سایز داده از مقدار واقعی خودش. اطلاعاتی از قبیل نحوه تصویرسازی و فرمت ذخیره‌سازی داده‌ها می‌توانند برای موثر بودن روش‌های نرمال‌سازی تصاویر پزشکی مفید باشند.
از این تابع برای بردن اسکن‌ها به فضای استاندارد MNI استفاده می‌شود. فضای MNI مورد استفاده در نرم افزار SPM توسط الگویی از ١۵٢ اسکن تعریف شده است.

با انتخاب این گزینه از منوی اصلی SPM، گزینه‌های زیر نمایش داده می‌شود:

Estimate: به یافتن نواحیِ دارای مشکل در داده‌ها برای نرمال‌سازی فضایی و ذخیره آن‌ها برای استفاده‌ی بعدی می‌پردازد.

Write: مشابه “reslice”، عملیاتی روی نواحی ِ دارای مشکل که قبلاً برای اسکن‌های خاصی مشخص کرده بود‌، اعمال می‌کند و فایل‌های جدید را با پیشوند “w” ایجاد می‌کند.

Estimate and Write: دو عمل فوق را به یکباره انجام می‌دهد.

بعد از انتخاب گزینه‌ی سوم و انتخاب داده‌های مورد نظر برای نرمال شدن، داده‌های نرمال‌ شده با پیشوند “w” در فایل مربوطه ذخیره می‌شوند.

 

تابع smooth

این تابع به عنوان آخرین مرحله از پیش پردازش فضایی برای هموار کردن اسکن‌ها استفاده می‌شود. هموار کردن تصاویر به منظور از بین بردن نوفه در داده استفاده می‌شود. البته با اعمال این تابع وضوح تصویر کاهش می‌یابد. لذا میزان هموار کردن بسته به هدف پردازش تغییر می‌یابد. برای مثال اگر ساختارهای به نسبت کوچک مغزی مورد مطالعه باشند، میزان هموار کردن باید به نسبت کم باشد. هموار کردن توسط این تابع به وسیله محاسبه میانگین وزن‌دارِ همه‌ی ووکسل‌های همسایه‌ی یک ووکسل انجام می‌شود.

 

وزن این میانگین‌گیری توسط یک هسته گاوسی تعریف می‌شود. هرچه مقدار پارامتر FWHM را در پنجره‌ی تنظیمات مربوط به این تابع که در زیر مشاهده می‌کنید افزایش دهیم، میزان هموار کردن بیشتر خواهد شد.
به عنوان یک قانون کلی، معمولا FWHM دو برابر اندازه ووکسل تعیین می‌شود.

 

تابع Segment

از این تابع برای قطعه‌بندی و جداسازی قسمت‌های مختلف مغز اعم از ماده سفید (WM)، ماده خاکستری (GM)، ماده‌ی مغزی نخاعی (CSF)، جمجمه (Skull/bones)، بافت نرم (Soft tissue) و Air استفاده می‌شود. قطعه‌بندی توسط نقشه‌های احتمالی بافت‌ها و از روی اسکن‌های با وزن T1 انجام می‌گیرد.

بعد از انتخاب این گزینه از منوی اصلی، پنجره‌ی زیر نمایش داده می‌شود که در آن، بعد از انتخاب Volumes و سپس گزینه‌ی Specify، پنجره‌ی انتخاب داده‌هایی که قصد Segment کردن آن‌ها را دارید نمایش داده می‌شود.

 

بعد از انتخاب دسته‌جمعیِ تمامیِ داده‌های مورد نظر و اعمال تنظیمات لازم، خروجیِ Segment شده با پیشوندهای C1  (برای بخش خاکستری)، C2 ( برای WM)  و… در همان پوشه‌ی داده‌ها ذخیره می‌گردد.

در تصویر زیر نمونه‌ای از بخش‌بندی که توسط SPM انجام شده است را در قالب هر یک از بخش‌ها مشاهده می‌کنید.

در بخش بعد با بررسی توابع آنالیز آماری در SPM، به ادامه‌ی صحبت در این حوزه خواهیم پرداخت.

 

 


10 دیدگاه

  • مرتضی
    مرتضی | 17 آذر, 1398

    سلام
    ممنون از مطالب مفیدتون.

    پاسخ
    • لیلا کشاورز افشار
      لیلا کشاورز افشار | 9 دی, 1398

      سلام و عرض ادب.

      خواهش میکنم. انشالله که مفید بوده باشه

      پاسخ
  • سپیده
    سپیده | 18 آذر, 1398

    سلام و عرض احترام. مرسی بابت آموزش مطالب مفید. قسمتای بعدی رو نمیذارید؟ بخش های آنالیز آماری و….

    پاسخ
    • لیلا کشاورز افشار
      لیلا کشاورز افشار | 9 دی, 1398

      سلام و عرض ادب

      خواهش میکنم. بله حتما. در اولین فرصتِ پیش رو آموزش را ادامه خواهم داد.

      پاسخ
  • فاطمه حسن پور
    فاطمه حسن پور | 20 آذر, 1398

    نه تنها از مطلب علمی تون لذت بردم بلکه فراتر از اندیشه ی ترویج علم شما ، متشکرم

    پاسخ
    • لیلا کشاورز افشار
      لیلا کشاورز افشار | 9 دی, 1398

      سلام و عرض ادب.

      ممنون از لطف شما دوست عزیز.

      پاسخ
  • نرجس
    نرجس | 20 آذر, 1398

    منتطر ادامه مباحث هستم ختنم افشار عزیز. و ممنون که این فرصت رئ در اختیار بقیه قرار دادین

    پاسخ
    • لیلا کشاورز افشار
      لیلا کشاورز افشار | 9 دی, 1398

      سلام و عرض ادب.

      ممنون از شما.
      چشم حتما

      پاسخ
  • طیب محمودی
    طیب محمودی | 4 دی, 1398

    مطالب بسیار مفیدی برای من بود. مرسی از خانم کشاورز

    پاسخ
    • لیلا کشاورز افشار
      لیلا کشاورز افشار | 9 دی, 1398

      سلام و عرض ادب.

      سلام و عرض ادب.

      خواهش میکنم. ممنون از لطف شما

      پاسخ

یک دیدگاه بگذارید