全网目前最完整最详细的DTI提取结构矩阵教程，跟着一步步做就一定能做出来（注：没有任何套路，亲测过程ok，结果ok）_如何获取focus dti序列

前几天发布了一个基于fsl的生成纤维束及结构矩阵的文章，但是自己实际运行的结果总感觉不太好，所以又经过搜索整理发现，结合使用MRtrix3，ANTS和fsl三者效果会更加高效，那么也记录一下全部过程，想做的跟着下面一步步做一定可以做出来。（建议优先使用这一版，上一篇文章作为额外参考）

我这边先进行处理一个受试，所以文件就在一个文件夹下，省的路径麻烦，后面可能会有集成的脚本，但我还是觉得应该先顺着流程跟着处理走一遍，总归是有好处的。另外，还是做一步验证一步的影像，看看合不合适，合适再进行下一步，不合适的及时调整。

1.环境准备

老样子，我还是在windows的wsl2环境中运行的，需要下载fsl和MRtrix3还有ANTS，前两个可以自行搜索或者百度或者问gpt，应该都好安装，对于ANTS来说直接下载二进制文件进行编译会相对方便一些，链接如下：Releases · ANTsX/ANTshttps://github.com/ANTsX/ANTs/releases

安装完后可以自行测试一下是否安装成功，如果能显示版本号或者打开GUI界面那么就是成功了。

2.数据准备

老样子，需要准备DTI文件，T1文件，.bval和.bvec文件，如下图所示，为了方便，我就都放到一个文件夹里面了，运行下面的代码也方便。命名的话我都简化了，省的麻烦，dti和T1这种的。

3.DTI处理

终端cd至数据目录下，进行去噪，矫正Gibbs伪影和头动与涡流矫正：

dwidenoise dti.nii.gz dti_denoised.nii.gz

mrdegibbs dti_denoised.nii.gz dti_denoised_degibbs.nii.gz

eddy_correct dti_denoised_degibbs.nii.gz dti_eddy.nii.gz 0

接下来需要提取b0图像：

fslroi dti_eddy.nii.gz b0.nii.gz 0 1

去除b0图像颅骨，提取脑组织：

bet b0.nii.gz b0_brain.nii.gz -m -f 0.2

4.T1处理

首先进行脑提取：

bet T1.nii.gz T1_brain.nii.gz -m -f 0.3

生成5TT图像（5种组织类型）：

5ttgen fsl T1_brain.nii.gz 5tt.mif -premasked

5.DTI-T1配准（使用ANTS）

刚性配准（fsl）

flirt -in b0_brain.nii.gz -ref T1_brain.nii.gz -omat diff2anat.mat -dof 6 -v

非线性配准（ANTS）

antsRegistrationSyN.sh -d 3 -f T1_brain.nii.gz -m b0_brain.nii.gz -o diff2anat_ -t r

这步之后会生成一个.mat文件，也就diff2anat_0GenericAffine.mat这个文件，首先需要将这个.mat文件转换为.txt文本文件，代码如下：

ConvertTransformFile 3 diff2anat_0GenericAffine.mat diff2anat_0GenericAffine.txt

然后打开.txt文件，我的是这样子的，如下所示（这一步有两种方法，这一步最简单的方法，下面还有精确的方法）：

手动将第一行，第二行，第三行，最后一行都删掉，只保留Parameters这一行的数字，“Parameters：”也删掉。

这里有12个数字或者16个数字都是正常的。（应该都是正常的，不正常自行gpt或者百度吧，我也不着知道咋办）

将三个数字分为一组，前三个数字放在第一排，再三个数字放在第二排，接下来三个数字放在第三排，如果是16个的话，那就再三个数字放在第四排，如果是12个那就都是0.0就好，将最后的三个或者4个数字放在每一行的最后一个，如果是三个数字的话最右下角的数字是1.0。

结果如上图，保存文件就ok了。

上面的方法是快速测试方法，如果条件允许，有python，可以运行以下脚本，可以获得更加具体且标准的最后一列的数值，后面的处理效果也会更好：

import numpy as np# 定义矩阵和向量R = np.array([ [0.9998146910326566, 0.0004528753362189503, 0.019245220165103747], [-0.00021224430942412382, 0.9999218041461938, -0.01250362129041145], [-0.0192493778503771, 0.012497219568798412, 0.9997366057894562]])T_initial = np.array([0.8877075364795397, -0.014273769105713707, -2.345589416679882])C = np.array([9.612225905982587, -1.8810974268341747, 21.67317743097197])# 计算 R × CR_times_C = R.dot(C)# 计算 T_final = T_initial + C - R × CT_final = T_initial + C - R_times_C # 结果保留6位小数T_final = np.round(T_final, 6)

数值都是.txt中的数值，没看懂的话可以多对照txt看几遍，看多了就明白了。

结果如下，六位小数就足够了：

保存文件。

然后将5TT图像映射到DTI空间：

mrtransform 5tt.mif -linear diff2anat_0GenericAffine.txt -inverse -interp linear -template b0_brain.nii.gz 5tt_in_dti.mif

6.纤维追踪

首先将dti_eddy文件的后缀由.nii.gz修改为.mif格式，需要提供bvec和bval：

mrconvert dti_eddy.nii.gz dti_eddy.mif -fslgrad dti.bvec dti.bval

然后构建响应函数：

dwi2response dhollander dti_eddy.mif response_wm.txt response_gm.txt response_csf.txt -mask b0_brain_mask.nii.gz

计算FOD：

dwi2fod msmt_csd dti_eddy.mif response_wm.txt wm_fod.mif -mask b0_brain_mask.nii.gz

提取灰白质影像：

5tt2gmwmi 5tt_in_dti.mif gmwmi_seed.mif

纤维追踪，可以根据自己的需求和硬件水平自行修改参数：

tckgen wm_fod.mif tracks.tck -algorithm iFOD2 \\ -seed_gmwmi gmwmi_seed.mif -act 5tt_in_dti.mif \\ -backtrack -crop_at_gmwmi -maxlength 250 -select 1000000

经过一段时间的等待，大功告成，以下就是纤维束文件。

可以进行可视化看看生成的效果怎么样：

mrview T1_brain.nii.gz -tractography.load tracks.tck

接下来再生成连接矩阵之前，还需要将自定义的模板映射到个体空间，以便分割脑区，我用的是AAL116，那么就需要将AAL116模板适应个体受试影像，以便分割不同个体脑区，以下是具体处理步骤。

7.生成MNI到T1以及T1到DTI配准文件

线性配准（生成仿射矩阵）：

flirt -in ${FSLDIR}/data/standard/MNI152_T1_1mm_brain.nii.gz \\ -ref T1_brain.nii.gz \\ -omat MNI_to_T1_affine.mat \\ -dof 12 -cost mutualinfo \\ -out MNI-TEST.nii.gz

非线性配准（生成形变场）：

fnirt --in=${FSLDIR}/data/standard/MNI152_T1_1mm_brain.nii.gz \\ --ref=T1_brain.nii.gz \\ --aff=MNI_to_T1_affine.mat \\ --cout=MNI_to_T1_warp.nii.gz \\ --iout=MNI_warped.nii.gz

T1到DTI的线性配准：

flirt -in T1_brain.nii.gz \\ -ref b0_brain.nii.gz \\ -omat T1_to_DTI.mat \\ -dof 6 -cost mutualinfo

应用配准矩阵查看对齐效果：

applywarp -i T1_brain.nii.gz \\ -r b0_brain.nii.gz \\ --premat=T1_to_DTI.mat \\ -o T1_in_DTI.nii.gz

可视化检查：

fsleyes b0_brain.nii.gz T1_in_DTI.nii.gz

如果二者基本上对齐就可以了。

8.有关ALL模板的处理

将AAL模板从MNI空间配准到T1空间,需要手动准备自己需要配准的模板，我这里使用的是AAL116：

applywarp --ref=T1_brain.nii.gz \\ --in=AAL116_1mm.nii.gz \\ --premat=MNI_to_T1_affine.mat \\ --out=AAL_in_T1.nii.gz \\ --interp=nn 

验证结果：

mrview T1_brain.nii.gz -overlay.load AAL_in_T1.nii.gz

基本对齐在同一空间就可以。

将文件从.nii.gz转换为MRtrix格式：

mrconvert AAL_in_T1.nii.gz AAL_in_T1.mif

并且需要将T1_to_DTI.mat文件转换为MRtrix3支持的格式：

transformconvert T1_to_DTI.mat T1_brain.nii.gz b0_brain.nii.gz flirt_import T1_to_DTI_mrtrix.mat

将T1空间的AAL模板转换到DTI空间：

mrtransform AAL_in_T1.mif \\ -linear T1_to_DTI_mrtrix.mat \\ -template b0_brain.nii.gz \\ -interp nearest -datatype uint32 \\ AAL_in_DTI.mif

验证结果：

mrview b0_brain.nii.gz -overlay.load AAL_in_DTI.mif

如果完全贴合，就说明处理正确。

9.生成连接矩阵

以下代码生成的是归一化后的连接强度，有利于跨个体分析，组间比较等等。

tck2connectome tracks.tck AAL_in_DTI.mif connectivity.csv \\ -scale_invnodevol -stat_edge mean -zero_diagonal

如果就想要原始连接数，那就是以下代码：

tck2connectome tracks.tck AAL_in_DTI.mif raw_connectivity.csv \\ -stat_edge sum -zero_diagonal

以上生成的都不是对称矩阵，如果想生成对称矩阵，那么就在代码中再加入-symmetric这个代码，就会生成对称矩阵了。

总结：

以上就是我从头到尾一步一步处理后生成的文件，历时四天，但最终做出来还是挺有成就感的，创作不易，如果对大家有帮助的话希望大家可以点个赞支持一下，十分感谢！！！如果有哪里不懂的也可以互相交流共同进步！！！

目前美中不足的就是没有一键化的处理脚本，因为中间涉及自己修改文件数值之类的，我以后也会持续改进，争取做出一键化的处理脚本！！！

写在最后的话：一开始的话我是准备上某鱼或者某某书想找代做，但是无奈收费太高，预算有限，只能硬着头皮一步一步做，但是自己做出来的喜悦还是难以言表的。最后希望大家以后都能积极创新，勇攀高峰！！！