해당 위치에서 마우스 우클릭으로 바로 터미널을 열 수 있게 하기

디렉토리를 탐색하다가 해당 위치에서 마우스 우클릭으로 바로 터미널을 열 수 있게 하는 것은 앞으로 신경영상분석 프로그램을 우분투에 설치해서 사용하려면 필수적인 기능입니다.

이러저런 방법들이 있겠지만, 다른 리눅스 배포판에서는 기본으로 이 기능이 탑재된 경우도 있다고 하는데, 우분투는 추가 프로그램 설치가 필요합니다.

꼭 인터넷에 연결이 된 상태에서 터미널에서 sudo apt-get install nautilus-open-terminal  을 타이핑하면 됩니다. 그러면 슈퍼유저로 로그인이 되어서 프로그램을 다운받아 설치를 하고, 이후에는 터미널을 바로바로 열 수 있게 됩니다.

이 때 주의할 점은 바로 적응이 되는 것이 아니라 한 번은 재부팅을 하여야 그 다음부터 적응이 됩니다.

How to make text data file for use in GingerALE

아래는 제가 현재 있는 UIC lab에서 다른 사람들에게 fMRI meta-analysis를 위하여 sleuth program에서 어떻게 text 파일을 만들어 내는 가에 대해서 설명한 글입니다.

영문으로 되어 있는 점 양해 바랍니다.

Steps for entering the data

Find the paper in the sleuth and use the sleuth if the paper is in the sleuth program.

If you find the wanted program from the sleuth, it will be displayed as follows:

Press the “Download checked” button. Look at the workspace.

Although there is just one paper, it is displayed in 4 rows (It has 4 experiments).

Here, click the export button.

We will use Talairach coordinate. If we use exploratory analysis and do not divide according to the types of experiments, we just divide all the results according to the subject groups. --> Select just like as mentioned above. By selecting the option – locations (GIngerALE Text), you can save the coordinate results as text file that can be used in the GingerALE.

(It is better to use the wordpad program to edit the txt files rather than word. In case of Microsoft word, there is a possibility to add unwanted format settings automatically into the txt file. This can be problematic in automated loading for gingerALE software.)

Manually input the data into the text file

You should identify following information – reference, type of experiments, subject groups, number of subjects and actual coordinates.

In this case, you need to use the format used in sleuth program gingerALE text.

For example,

// Reference=Talairach (If the reference coordinate is MNI, we need to convert it into Talairach in later step. If coordinates are written in MNI, you also need to specify where the coordinates came from - fsl or SPM.)

// Pavuluri, 2007: Angry Faces vs. Neutral Faces, Pediatric Bipolar Patients > Controls (This is important. By this information, we will decide into what text file we put this result.)

// Subjects=10 (This is important as the number of patients determines the statistical power of the meta-analysis.)

14        16        32 (Here place the coordinate written in the paper.) 13        -27       -13 33        -77       15 31        -73       11 -14       21        18 -15       -47       17 -35       -14       -26 -50       -46       -2

About reference, we can use MNI or Talairach coordinates. In many analysis program such as fsl (that I use) or SPM, MNI coordinate is commonly used. However, in GingerALE program, as the Talairach coordinates is well matched into Brodmann area, meta-analysis is commonly performed using Talairach space. For meta-analyses in Talairach space, we take MNI coordinates and convert them to Talairach space using the Lancaster (icbm2tal) transform. This conversion can be done using the ToolsàConvert foci option in GingerALE program.

DTI analysis in fsl (개론)

지금 revision 중으로 DTIstudio와 비교글도 올리겠습니다.

DTI analysis manual using FDT & TBSS

Diffusion tensor imaging의 이해

Diffusion이란?

MRI는 이러한 각 물체들의 diffusion 특성들을 정량화할 수 있는 수단을 제공하여 줍니다. MRI는 다양한 핵에서의 신호들을 관찰하기 위하여 사용되는데 특히 proton nucleus에서부터의 신호가 흔히 사용됩니다. 체내의 proton의 90%는 물분자에 존재하기 때문에 MRI 신호는 물의 존재에 의하여 많은 영향을 받습니다. 조직 내에서의 물 분자들은 신경 fiber(axon)의 방향을 따라서 더 자유롭게 diffuse하는 특성을 갖기 때문에 diffusion의 방향성을 정량화할 수 있다면, axon의 방향을 추정할 수 있게 될 것이고 여기에서 더 나아가서 connectivity를 생각할 수 있게 되는 것입니다.

여기에서 우리가 알아야 할 개념이 anisotropy입니다. (anisotropy (비등방성- 모든 방향에서 측정할 때에 같은 성상을 갖는다는 의미의 isotropy의 반대말로, 각기 다른 축에서 측정할 때에 측정되는 물체의 물리적이거나 기계적 성상들이 달리 나타날 경우에 비등방성을 갖는다고 함)) 결국 저는 isotropy에 비해서 anisotropic의 경우에는 무언가 방향성을 갖는다는 것으로 이해를 했습니다.

Brain gray matter의 경우에는 측정되는 diffusion의 정도는 주로 조직의 배향에 독립적으로 (isotropy) 나타나기 때문에 diffusion의 정도를 나타내기 위해서는 하나의 single scalar (단일 숫자로 표현되는) apparent diffusion coefficient (ADC, 현성확산계수) 숫자로 충분합니다.  반면에, white matter와 같은 anisotropic media에서는 diffusivity – 즉, orientation-dependent water mobility - 를 표시하기 위해서는 single ADC 값 만으로는 불충분하며, 추가적으로 apparent diffusion tensor of water (D)값이 필요하게 됩니다.

과연 tensor는 무엇을 말하는가? 여기에 대해서 여러가지 의문이 있을 수 있는데 제가 나름대로 찾아본 바로는 다음과 같습니다.

displacement 성분(x, y, z)에 time (t)가 덧붙여 짐으로써 "하나의 벡터를 다른 벡터로 보내버린다(send)는 개념의 연산자," 즉 약속으로 이해를 하시면 되겠습니다.

그래서 diffusion tensor imaging에서는 항상 이처럼 분석 대상으로 white matter를 다루게 되는 것입니다. 그리고 이러한 DTI 영상의 경우에는 conventional MRI 영상에서는 homogeneous하게 보이는 white matter 내에서의 intra-white-matter anatomy를 더 잘 이해할 수 있게 하여 준다는 장점이 있습니다.

일반적으로 Diffusion weighted imaging을 시행하면 세가지 형태의 영상을 얻을 수 있다. b value=0 인 상태에서의 영상 (no diffusion), 일정한 b value 하에서의 영상 (이 때 b 값은 500-700을 기준으로 하여 높고 낮음을 구분합니다à 고대구로병원의 경우에는 600을 사용함), ADC map (위 두 영상에서의 값들로 각 화소별로 구하여진 ADC 값을 회색조 표시로 나타낸 영상)

여기에서 b-value는 무엇을 말하는가? 이는 level of the induced sensitivity on diffusion을 지칭하는 것으로 이해를 하시면 되겠습니다. 다시 말하면 diffusion에 대해서 유도되어진 민감도 수준, 즉 이 값이 0이면 diffusion이 없고, 이 값이 높아질 수록 diffusion에 대한 민감도도 높아지니 diffusion이 더 잘 될 것이라고 생각하시면 되겠습니다.

DTI analysis를 위한 tool들

Oxford Center for Functional MRI of the Brain (www.fmrib.ox.ac.uk)에서 개발한 FMRIB software library (FSL)에는 다양한 도구들 – FSL tools – 이 있습니다. fsl을 터미널에서 실행시킬 때 fsl&로 타이핑하면 fsl이후에 터미널로 다시 돌아와서 추가적인 명령어를 더 실행시킬 수 있어 편리합니다.

fsl 사이트(http://fsl.fmrib.ox.ac.uk/fsl/fslwiki/)로 들어가면 여기에 기본적인 설명들이 있으니 일단 이 설명들을 읽어 보는 것이 가장 기본적입니다.

이 사이트에서 보면 diffusion MRI를 위한 fsl에서의 툴로 나와 있는 것이 FDT, TBSS, EDDY, TOPUP 4가지 입니다. 따라서 이 4가지를 우선 숙지하는 것이 좋겠습니다.

이 중에서 Diffusion MRI를 분석하기 위한 툴로 대표적인 것이 FDT (FMRIB’s Diffusion Toolbox)와 TBSS (FDR 중의 Tract-Based Spatial Statistics)가 있습니다. FDT 는 DWI analysis 및 tractography를 위한 것이라면 TBSS는 결국 논문을 쓰기 위한 통계를 돌리는데 사용되는 voxel-wise analysis of multi-subject diffusion data를 위한 것입니다. 따라서 FDT > TBSS 순으로 진행하도록 하겠습니다.

그래서 앞으로 DTI analysis in fsl을 FDT, TBSS, EDDY, TOPUP 순으로 글을 올려보도록 하겠습니다.

한가지 파일명에서 주의할 것은 환자명은 꼭 영어를 사용합니다. fslview에서 이미지를 읽을 때에 환자 이미지 경로 상에 한글 경로명은 missing header error를 가져와서 이미지를 읽을 수 없게 만들며, 하여튼 한글은 이래저래 사람 피곤하게 만듭니다.

참고문헌

1. Introduction to diffusion tensor imaging. Susumu Mori 저. Elsevier 출간. à 아마존에서 추천이 많아서 – 너무 쉽다고 해서 – 샀는데, 완전히 망했음. Physics에 대한 책이라 MD에게는 도움이 별로 안됨. Physics에 대해서는 쉽게 쓰여 있다고 하나 의사로서는 별로임.
그러나 Susumu Mori는 존스홉킨스에 있으면서 DTIstudio를 개발한 이 분야의 대가임. 실제로 만나본 바로는 이름대로 수수함

2. Diffusion MRI From Quantitative Measurement to In vivo Neuroanatomy. Heidi Johansen_Berg & Timothy E. J. Behrens 저. Elsevier 출간. à 카대 임현국 선생 추천 도서, 아마존에서 킨들로 구입할 수 있음. 이 책의 저자인 Heidi Johansen-Berg는 fsl의 개발지인 University of Oxford Centre for Functional MRI of the Brain (FMRIB)에서 근무하는 사람이라서 fdt, TBSS에 대한 설명이 이 책에 많이 되어 있음. 그래도 필수적으로 갖고는 있어야 하는 책인데 은근히 어려움. 2013년 10월에 제2판이 새로 나왔음

3. http://www.fmrib.ox.ac.uk/fsl/ à FSL의 오리진이 되는 사이트. 내용이 방대함

4. https://www.jiscmail.ac.uk/cgi-bin/webadmin?A0=fsl àfsl과 관련된 질의 응답 사이트. 내용은 많으나 검색기능이 상당히 떨어짐.

Sleuth 매뉴얼에 대한 소고

BrainMap은 stereotactic coordinate들의 형태로된 기능적 및 구조적 신경영상 연구결과들의 온라인 데이터베이스입니다. 이 데이터베이스들을 사용할 수 있도록 하는 도구로 제공되는 것이 sleuth입니다.

여기에서 검색이 되면 연계해서 GingerALE에서 논문을 위한 데이터를 사용하기 편하게 데이터가 가공되어 있으니 편해서 좋기는 한데, 해보니 경우에 따라서는 시간이 엄청 걸리고 그리고 여기에 들어있는 논문이 겨우 2355편 밖에 안됩니다. (2013년 12월 초 현재) 그래서 사실 좀 빛좋은 개살구라는 느낌이고 결국은 내가 논문을 pubmed에서 일일이 검색을 해서 그 좌표를 뽑아서 입력을 하여 주어야 합니다.

여기에는 4가지 main panel들이 있습니다 - search, results, workspace, plot

원래는 매뉴얼을 번역하여서 올려 보려고 하였으나 예를 삼아서 소아청소년에서의 bipolar에 대해서 sample로 검색을 하여 본 결과 겨우 4개 밖에 안되어서 (개인적으로 갖고 있는 논문이 50여개가 넘는데) 현실적으로 이 프로그램을 내 연구에 지금 적용하기에는 무리라는 결론을 내린 상태여서 생략을 합니다.

이 DB가 좀 더 풍부해 지면 상당히 유용할 수 있을 것 같기는 합니다.

Talairach space에서 좌표값이 무엇을 뜻하는지 알기

Talairach coordinate가 Brodmann's area와 matching이 잘 되어서 사용을 계속하고 있다는 이야기는 이전의 포스트에서 올렸습니다.

그렇다면 예를 들어서 meta-analysis에서 significant cluster들의 값이 결과로 나온다면, 여기에 해당하는 anatomical location들을 찾기 위해서 어떻게 할 것인가?

이 때에 사용하는 프로그램(다른 말로 DB)이 Talairach daemon입니다.

설명에 보면, (The Talairach Daemon (TD) is a high-speed database server for querying and retrieving data about human brain structure over the internet. It uses TCP/IP sockets for communications and minimizes the amount of data transferred during transactions.) 이라고 되어 있습니다.

다시 말하면 좌표를 입력하면 그에 해당되는 anatomical location 위치를 뽑아 주는 데이터베이스라고 하겠습니다.

이에 대한 설명은 http://www.talairach.org/daemon.html 에 잘 나와 있습니다. 이 DB를 사용하는 방법에 두가지가 있는데 한 가지는 인터넷 상에서 웹상으로 자바로 실행이 되는 web applet인 Talairach Applet 을 사용하는 방법이고, 다른 한 가지는 별도로 프로그램을 까는 Talairach client를 이용하는 방법입니다.

막상 둘 다 실행을 시켜 보시면 화면들이 조금씩 다른 것을 보실 수 있습니다.

우선 Talairach applet 화면입니다.

그 다음으로는 Talairach client 화면입니다.

T-test와 F-test (ANOVA) 사이의 차이

아래는 너무나 기초적인데도 헷갈려 하는 경우가 있어서 그에 대해서 정리한 글을 가져 왔습니다. 통계 관련 궁금증이 있을 때 제일 많이 가는 사이트 (http://www.statedu.com/term/7385)에서 가져온 글입니다.

T-test와 ANOVA (분산분석)의 차이

분석을 하다보면, T-test와 ANOVA가 많이 사용이 되고 있습니다. 그런데, 이 T-test와 ANOVA에 대해 많은 분들이 혼동을 하게 되는데, 그 차이에 대해 설명을 하도록 하겠습니다.

T-test와 ANOVA는 사실은 동일한 분석방법입니다. 다만, 차이가 있다면 T-test는 2 집단의 평균의 차이를 비교하는데 비해, ANOVA는 2 집단 이상(보통은 3집단 이상)의 평균의 차이를 비교하는데, 사용합니다.
예를 들어,

1. 남자와 여자의 삶의 만족도를 비교한다고 하면, 2 집단(남자, 여자)의 평균(삶의 만족도 평균)을 비교하므로 T-test 입니다.

2. 중졸이하, 고졸, 대졸이상의 삶의 만족도를 비교한다면, 3집단(중졸이하, 고졸, 대졸이상)의 평균을 비교하므로 ANOVA(분산분석)입니다.

그러므로, ANOVA는 T-test가 가지고 있는 성질 등은 모두 그대로 가지고 있으며, 분석 방법이나, 해석 방법 등은 거의 대부분 비슷합니다. 다만, 차이가 있다면, ANOVA는 T-test의 확장이기 때문에 몇가지 개념이 추가되는 것일 뿐입니다.

또한, T-test를 하게 되면 검정 통계량은 T, ANOVA를 하게 되면 검정통계량은 F 를 이용하여 분석을 합니다.

T-test               ANVOA
--------------------------------------------------
차이             2 집단 평균비교     3집단이상 평균비교
검정통계량               T                      F

제시통계량       평균, 표준편차    평균, 표준편차, 사후검정 결과

여기까지를 이해를 한다면 우리가 fMRI 분석에서 GLM 분석을 할 때에 single contrast를 사용한다면 t-test를 multiple contrast들을 사용할 때에는 F-test를 사용한다는 설명을 이해할 수 있게 됩니다.

mixed effects modeling approach used in fMRI

GLM에 관련된 것을 읽다 보면, first-level versus higher-level analysis (e.g. analysis across sessions or across subjects) 라는 말이 나옵니다. 아래의 그림을 보시면 이에 대해서 이해가 되길 것입니다.

다시 말하면, single-subject, analysis를 first-level이라고 한다면,  Comparing the activations across multiple subjects은 the second-level or group-level or higher level analysis라고 부릅니다.

mixed effects modeling은 multiple stage로 이루어집니다.

여기에서 한 번 fMRI 실험을 가정하여서 이야기를 하여 보도록 하겠습니다.

한 명의 참가자가 각기 한번씩 MRI를 촬영하는 실험을 생각하여 봅시다. 각 참가자들은 (환자와 대조군) 두 그룹들 중의 하나에 속하게 됩니다. 그리고 연구의 목표는 이 다른 두 군 간에서 각기 얼굴과 집을 보았을 때에 activation에서 차이가 있는 가를 보는 것이라고 합시다.

우선 first level에서는 위에서 이야기가 된 대로 각각의 subject (실험 참여자)들을 대상으로 개별적으로 modeling이 이루어집니다. 여기에서 나온 결과는 당연히 subject-specific한 estimate들 및 within-subject variance estimates for the used contrast(얼굴-집)가 될 것입니다.

그 다음의 second-level analysis에서는 first level model에서 나온 subject-specific parameter estimate들과 variance estimate들을 input으로 사용하게 됩니다.