User Tools

Site Tools


neuroimagen:altdti_2020

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revision Previous revision
Next revision
Previous revision
neuroimagen:altdti_2020 [2020/02/03 10:34]
osotolongo [ROI]
neuroimagen:altdti_2020 [2020/08/04 10:58] (current)
Line 1: Line 1:
 ====== experimento DTI ====== ====== experimento DTI ======
  
-===== Generalidades =====+===== FPCustom =====
 El procesamiento se realiza con [[neuroimagen:pipe04_user|la version 0.4 del pipeline]] El procesamiento se realiza con [[neuroimagen:pipe04_user|la version 0.4 del pipeline]]
 ==== Objetivo ==== ==== Objetivo ====
Line 7: Line 7:
 Determinar los valores de anisotropia fraccional ([[https://en.wikipedia.org/wiki/Fractional_anisotropy|FA]])  y difusividad media([[https://en.wikipedia.org/wiki/Diffusion_MRI#Measures_of_anisotropy_and_diffusivity|MD]]) en los tractos que conectan la corteza Fronto-Parietal para los sujetos del protocolo FACEHBI. Determinar los valores de anisotropia fraccional ([[https://en.wikipedia.org/wiki/Fractional_anisotropy|FA]])  y difusividad media([[https://en.wikipedia.org/wiki/Diffusion_MRI#Measures_of_anisotropy_and_diffusivity|MD]]) en los tractos que conectan la corteza Fronto-Parietal para los sujetos del protocolo FACEHBI.
  
-==== Problemas ====+==== Registro ==== 
 +=== Problemas ===
  
 La adquisición DTI se ha realizado con una orientación distinta  al T1w. Esto por sí solo no seria  un problema pero los cortes se han calculado para adquirir la **materia blanca** en su totalidad y no el cerebro completo. La adquisición DTI se ha realizado con una orientación distinta  al T1w. Esto por sí solo no seria  un problema pero los cortes se han calculado para adquirir la **materia blanca** en su totalidad y no el cerebro completo.
Line 15: Line 16:
 {{ :neuroimagen:sub-0078_dwi.png |}} {{ :neuroimagen:sub-0078_dwi.png |}}
  
-==== Soluciones ====+=== Soluciones ===
  
 Se procede en varios pasos par aintentar hacer un registro decente, Se procede en varios pasos par aintentar hacer un registro decente,
Line 29: Line 30:
   - Se pasa el template MNI a espacio nativo T1 y de ahi a espacio nativo DTI   - Se pasa el template MNI a espacio nativo T1 y de ahi a espacio nativo DTI
   - Se pasan los Atlas JHU  a espacio nativo T1 y de ahi a espacio nativo DTI   - Se pasan los Atlas JHU  a espacio nativo T1 y de ahi a espacio nativo DTI
 +
 +Basicamente,
 +<code bash>
 +$ dti_reg.pl -chop -time '12:0:0' facehbi
 +</code>
 {{ :neuroimagen:sub-0078_dwi_rmni.png |}} {{ :neuroimagen:sub-0078_dwi_rmni.png |}}
  
-===== Tractografia =====+==== Tractografia ====
  
-Una vez efectuado el registro correcto pasamos a planificar la tractografia. Obtenemos la corteza Fronto-Temporal a partir de la segmentacion de FS. Los FS-LUT han de ser,+Una vez efectuado el registro correcto pasamos a planificar la tractografia. Obtenemos la corteza Fronto-Temporal a partir de la segmentacion de FS.  
 +Las regiones FP son,
  
 +<code>
 +ctx-caudalmiddlefrontal
 +ctx-inferiorparietal
 +ctx-middletemporal
 +ctx-parsopercularis
 +ctx-parstriangularis
 +ctx-postcentral
 +ctx-precentral
 +ctx-superiorfrontal
 +ctx-superiorparietal
 +ctx-superiortemporal
 +ctx-supramarginal
 +</code>
 +Los FS-LUT (incluyendo rh y lh) han de ser,
 <code> <code>
 1003 1003
Line 64: Line 85:
  
 Usando las ROIs ya en espacio nativo DTI se lanza la tractografia, Usando las ROIs ya en espacio nativo DTI se lanza la tractografia,
 +
 +Todo esto se agrupa con el comando,
 +
 +<code bash>
 +$ dti_track.pl -t1 -time '12:0:0' facehbi
 +</code>
 {{ :neuroimagen:2020-02-03-113047_grim.png |}} {{ :neuroimagen:2020-02-03-113047_grim.png |}}
 +
 +==== Metricas ====
 +
 +Ahora hay que extraer los valores de FA y MD en los tractos calculados,
 +
 +<code bash>
 +$ for x in `ls -d working/*_probtrack_out`; do mv $x `echo $x | sed 's/out/FPCustom/'`;done
 +$ dti_metrics_tracks.pl -path FPCustom facehbi
 +</code>
 +
 +===== UofM  Atlas =====
 +
 +Ademas de esta ROI, voy a tomar los nodos predeterminados de redes funcionales conocidas (DMN, LN, SN).El procedimiento es basicamente el mismo pero ahora la tractografia es basada en atlas.
 +
 +=== DMN ===
 +{{ :neuroimagen:sub-0078_dwi_dmn_nodes.png |}}
 +
 +<code bash>
 +$ dti_track.pl -t1 -time '12:0:0' -uofm DMN facehbi
 +</code>
 +
 +{{ :neuroimagen:2020-02-03-121623_grim.png |}}
 +
 +<code bash>
 +$ for x in `ls -d working/*_probtrack_out`; do mv $x `echo $x | sed 's/out/DMN/'`;done
 +$ dti_metrics_tracks.pl -path DMN facehbi
 +</code>
 +
 +=== LN ===
 +<code bash>
 +$ dti_track.pl -t1 -time '12:0:0' -uofm LN facehbi
 +</code>
 +
 +{{ :neuroimagen:2020-02-04-103116_grim.png |}}
 +
 +<code bash>
 +$ for x in `ls -d working/*_probtrack_out`; do mv $x `echo $x | sed 's/out/LN/'`;done
 +$ dti_metrics_tracks.pl -path LN facehbi
 +</code>
 +
 +=== SN ===
 +<code bash>
 +$ dti_track.pl -t1 -time '12:0:0' -uofm SN facehbi
 +</code>
 +
 +{{ :neuroimagen:2020-02-04-103553_grim.png |}}
 +
 +<code bash>
 +$ for x in `ls -d working/*_probtrack_out`; do mv $x `echo $x | sed 's/out/SN/'`;done
 +$ dti_metrics_tracks.pl -path SN facehbi
 +</code>
 +
 +====== Composites? ======
 +**Denominacion**
 +<code R>
 +denom_go <- data.frame(fdl$PSubject,fdl$Edad, fdl$Escolaridad, fdl$male, fdl$DMN_FA, fdl$DMN_MD, fdl$FPCustom_FA, fdl$FPCustom_MD, fdl$LN_FA, fdl$LN_MD, fdl$SN_FA, fdl$SN_MD ,fdl$Action_Namimg_Libre_FAC, fdl$Action_Naming_Clave_Fonetica_FAC, fdl$Action_Naming_Clave_Semant_FAC, fdl$Boston_Clave_Fonetica_FAC,fdl$Boston_Clave_Semantica_FAC, fdl$Boston_Libre_FAC, fdl$Boston_Total_FAC)
 +denom_go <- denom_go[complete.cases(denom_go),]
 +denom <- data.frame(denom_go$fdl.Action_Namimg_Libre_FAC, denom_go$fdl.Action_Naming_Clave_Fonetica_FAC, denom_go$fdl.Action_Naming_Clave_Semant_FAC, denom_go$fdl.Boston_Clave_Fonetica_FAC,denom_go$fdl.Boston_Clave_Semantica_FAC, denom_go$fdl.Boston_Libre_FAC, denom_go$fdl.Boston_Total_FAC)
 +denom_cs <- fa(denom, scores="regression")
 +denom_go$cs <- denom_cs$scores
 +mod_fpc <-lm(denom_go$cs ~ denom_go$fdl.FPCustom_FA + denom_go$fdl.Edad + denom_go$fdl.Escolaridad +denom_go$fdl.male)
 + 
 +summary(mod_fpc)
 +
 +Call:
 +lm(formula = denom_go$cs ~ denom_go$fdl.FPCustom_FA + denom_go$fdl.Edad + 
 +    denom_go$fdl.Escolaridad + denom_go$fdl.male)
 +
 +Residuals:
 +    Min      1Q  Median      3Q     Max 
 +-4.7387 -0.3689  0.0954  0.5446  1.3876 
 +
 +Coefficients:
 +                          Estimate Std. Error t value Pr(>|t|)   
 +(Intercept)               0.819234   1.664059   0.492  0.62309   
 +denom_go$fdl.FPCustom_FA  1.161257   4.684256   0.248  0.80449   
 +denom_go$fdl.Edad        -0.026553   0.009878  -2.688  0.00785 **
 +denom_go$fdl.Escolaridad  0.034314   0.015229   2.253  0.02544 * 
 +denom_go$fdl.male         0.242788   0.144521   1.680  0.09468 . 
 +---
 +Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
 +
 +Residual standard error: 0.9226 on 182 degrees of freedom
 +Multiple R-squared:  0.1087, Adjusted R-squared:  0.08911 
 +F-statistic: 5.549 on 4 and 182 DF,  p-value: 0.0003086
 +</code>
 +{{ :neuroimagen:denom_fpc.png |}}
 +
 +**Contenido Semantico**
 +<code R>
 +seman_go <- data.frame(fdl$PSubject,fdl$Edad, fdl$Escolaridad, fdl$male, fdl$DMN_FA, fdl$DMN_MD, fdl$FPCustom_FA, fdl$FPCustom_MD, fdl$LN_FA, fdl$LN_MD, fdl$SN_FA, fdl$SN_MD ,fdl$Piramides_Y_Palmeras_Palab_FAC, fdl$Piramides_Y_Plameras_Imag_FAC, fdl$Kissing_Dancing_Imagenes_FAC, fdl$Kissing_Dancing_Palabras_FAC)
 +seman_go <- seman_go[complete.cases(seman_go),]
 +seman <- data.frame(seman_go$fdl.Piramides_Y_Palmeras_Palab_FAC, seman_go$fdl.Piramides_Y_Plameras_Imag_FAC, seman_go$fdl.Kissing_Dancing_Imagenes_FAC, seman_go$fdl.Kissing_Dancing_Palabras_FAC)
 +seman_cs <- fa(seman, scores="regression")
 +seman_go$cs <- seman_cs$scores
 +mod_fpc <-lm(seman_go$cs ~ seman_go$fdl.FPCustom_FA + seman_go$fdl.Edad + seman_go$fdl.Escolaridad +seman_go$fdl.male)
 +summary(mod_fpc)
 +
 +Call:
 +lm(formula = seman_go$cs ~ seman_go$fdl.FPCustom_FA + seman_go$fdl.Edad + 
 +    seman_go$fdl.Escolaridad + seman_go$fdl.male)
 +
 +Residuals:
 +    Min      1Q  Median      3Q     Max 
 +-3.5541 -0.2416  0.2389  0.5299  1.3893 
 +
 +Coefficients:
 +                         Estimate Std. Error t value Pr(>|t|)
 +(Intercept)               0.56511    2.06213   0.274    0.785
 +seman_go$fdl.FPCustom_FA  1.37844    6.00285   0.230    0.819
 +seman_go$fdl.Edad        -0.01763    0.01296  -1.361    0.177
 +seman_go$fdl.Escolaridad  0.01969    0.02009   0.980    0.330
 +seman_go$fdl.male        -0.22749    0.19717  -1.154    0.252
 +
 +Residual standard error: 0.8712 on 91 degrees of freedom
 +Multiple R-squared:  0.05015, Adjusted R-squared:  0.008399 
 +F-statistic: 1.201 on 4 and 91 DF,  p-value: 0.3158
 +</code>
 +
 +{{ :neuroimagen:seman_fpc.png |}}
 +
 +**Nombres**
 +
 +<code R>
 +names_go <- data.frame(fdl$PSubject,fdl$Edad, fdl$Escolaridad, fdl$male, fdl$DMN_FA, fdl$DMN_MD, fdl$FPCustom_FA, fdl$FPCustom_MD, fdl$LN_FA, fdl$LN_MD, fdl$SN_FA, fdl$SN_MD ,fdl$Boston_Clave_Fonetica_FAC, fdl$Boston_Clave_Semantica_FAC, fdl$Boston_Libre_FAC, fdl$Boston_Total_FAC, fdl$Piramides_Y_Palmeras_Palab_FAC, fdl$Piramides_Y_Plameras_Imag_FAC)
 +names_go <- names_go[complete.cases(names_go),]
 +nombres <- data.frame(names_go$fdl.Boston_Clave_Fonetica_FAC, names_go$fdl.Boston_Clave_Semantica_FAC, names_go$fdl.Boston_Libre_FAC, names_go$fdl.Boston_Total_FAC, names_go$fdl.Piramides_Y_Palmeras_Palab_FAC, names_go$fdl.Piramides_Y_Plameras_Imag_FAC)
 +
 +</code>
 +
 +**Algo va mal con este composite**
neuroimagen/altdti_2020.1580726042.txt.gz · Last modified: 2020/08/04 10:45 (external edit)