企业官网建设流程全解析

距离上一篇VBM/SBM预处理笔记隔了挺久，这次的主题是准备做统计分析前绕不开的两个东西：感兴趣区（ROI）和全脑体积（TIV）。简单说，前者解决“我只关心某个局部脑区，怎么把数据提出来”的问题，后者解决“不同人脑袋大小不一样，怎么比较才算公平”的问题。这篇笔记适合刚跑完CAT12预处理、正准备做第二层统计的同学，或者想复现文献里“提取某脑区体积/厚度”流程的读者。我会把文件类型、TIV原理、ROI定义方式、批量提取步骤和踩过的坑都过一遍，尽量做到拿过来就能照着跑。

1. 先把手里的文件理清楚，ROI和TIV才有落脚点

1.1 VBM跑完，真正需要关注的几个文件

CAT12跑完VBM后，每个被试的目录下会多出一堆以mwp1、smwp1、p0开头的文件，很多人到这里就开始晕。先说结论：做ROI体积提取和TIV统计时，最常用的是这几个——mwp1开头的文件是经过DARTEL配准到MNI空间、并且用雅可比行列式调制过的灰质概率图，体素值可以理解为“该体素内灰质体积的贡献量”；smwp1开头的文件是把这个mwp1做空间平滑后的结果，做全脑VBM统计时基本都用它；p0开头的文件则保留了原生空间的组织分割信息，对应灰质、白质、脑脊液三张概率图。

如果你想提取某个ROI的灰质体积，操作上会同时用到二值化图谱mask和个体灰质图——在原生空间还是MNI空间差别很大。我的一般习惯是：在MNI空间做ROI分析，mask直接对齐smwp1或mwp1，省去从原生空间到模板空间重新变换的麻烦；只有在做基于坐标的单被试验证时，才需要回到原生空间小心翼翼处理。

这里有个细节特别提醒：不要用p0图直接和标准空间下的ROI模板相乘。p0是原生空间图像，体素大小和矩阵维度都和被试原始T1一致，直接把AAL模板贴上去会完全错位。任何ROI提取之前，第一件事永远是确认mask和目标图像是否在同一空间。

1.2 SBM跑完，另一个维度的“ROI”

SBM的产物不是体素概率图，而是一堆表面网格文件，通常放在surf子目录里，比如lh.central、rh.central，还有皮层厚度、折叠度、面积等度量图。这时候的“ROI”不再是三维体素团块，而是皮层表面上的一个patch，需要按表面图谱来定义。

CAT12里自带了若干表面图谱选项，比如Desikan-Killiany、Destrieux这种常见的分区方案。提取时，把图谱分区映射到每个被试的表面上，然后计算该patch内厚度、面积或体积的平均值。和VBM的差异在于：表面ROI的空间操作依赖网格的顶点（vertex），而不依赖体素格子，所以不能用普通三维mask去提取，必须用表面工具处理。

很多新手用VBM的思路去提取SBM厚度，结果得到的数值很奇怪，多半是因为用了体积mask去配到表面文件上。记住一个原则：VBM的ROI是三维mask，SBM的ROI是表面标签（label），两套体系不能混用。后面第5部分我会专门讲怎么避免踩这个坑。

1.3 ROI和TIV为什么必须放到一起聊

ROI解决“提哪里”的问题，TIV解决“提出来之后怎么比”。很多人单独学ROI时很顺，但一到写统计方法就卡壳——“要不要把TIV放到协变量里？”“ROI体积和全脑体积是不是一回事？”“CAT12输出的TIV和文献里的ICV是不是同一个概念？”这些问题只有把两个概念串起来才能理清。

再加上现在审稿人越来越挑剔，除非你只做全脑层面的探索性分析，否则只要涉及局部体积或皮层厚度比较，基本都会追问你“是否校正了总体头围/颅内体积”。所以干脆放在同一篇笔记里，一次性把原理、提取、统计三个环节讲透。

2. TIV，全脑体积这个“隐藏变量”很多新手都是后面才明白

2.1 TIV是什么，为什么第二层统计一定要想清楚它

TIV的全称是Total Intracranial Volume，即颅内总体积，大约等于灰质体积加白质体积加脑脊液体积之和。它的含义是“这个颅腔里能装多少脑组织”，本质上是衡量头部大小和颅腔容量的一项指标。你可能听过另一个类似说法叫ICV（Intracranial Volume），两者在脑影像文献里基本可以互换。

为什么要校正TIV？因为人和人的头围差异在脑影像统计里是真实存在的“系统误差”。一个180cm身高的人和一个160cm身高的人，大脑灰质体积差值可能很显著，但这个差异更多来自身体尺寸，而不是认知障碍或疾病影响。如果直接拿ROI灰质体积做组间比较，头部较大的组天然更容易得到更大的体积数，这会混淆真正的病理效应。

统计校正的常见做法是把TIV作为协变量放进ANCOVA模型，在SPSS、R或SPM的第二层模型里都行。但这里有个前提：只有当组间头围差异与分组不存在交互作用时，简单放入协变量才合适。如果两组头围差异本身就很大，比如儿童和成人比较、男女混合样本，建议先做协变量回归检验，看数据是否满足平行线假设。

还有另一种更粗暴的做法：直接用ROI体积除以TIV得到一个比值。我不推荐作为主要分析手段，因为比值变量往往不满足正态性，而且“乘除关系”会扭曲体积和TIV的真实线性关联。放在统计分析里，比例法损失的信息比协变量法多得多。

2.2 CAT12其实已经替你算好了TIV

CAT12的预处理在完成分割和配准后，会自动估算TIV，并把结果写进每个被试的XML报告文件里，文件名类似cat_sub-01_T1w.xml。用文本编辑器直接打开这个文件，搜索“TIV”，就能看到数字，单位通常是毫升（ml），正常人大概在1300到1700左右，具体随性别、年龄、种族有波动。

如果想在MATLAB里批量读取，可以用CAT12自带的cat_io_xml函数，大致写成下面这样：

x = cat_io_xml('cat_sub-01_T1w.xml'); disp(x.estimation.TIV);

不过不同版本的CAT12内部字段路径有可能不一样，我在CAT12.7和CAT12.8里都试过，规律不完全一致。最稳妥的方法是先用一次textread或者直接mentor来看这个XML的结构体，再写对应的读取代码。批量提取时建议遍历所有被试文件夹，把每个XML里的TIV取出来，存进一个CSV表。

这里要强调：CAT12算TIV用的不是单纯把三张分割图累加那么简单。它的内部流程是从原生空间分割结果出发，结合DARTEL模板空间的形变场做统一估算，比手动只对c1+c2+c3求和的方式更稳定。除非你确认自己手动算法和CAT结果的差异在可接受范围内，否则论文里报告TIV时，优先用CAT12输出的值。

2.3 不做CAT自动输出时的手动TIV算法

有时候你只拿到了前人分割好的c1/c2/c3文件，没有XML报告，那就只能手动估算。算法非常简单：读取原生空间的灰质、白质、脑脊液概率图，把三张图的体素值相加，再乘以单个体素的体积，得到颅内总体积。在MATLAB里可以这样写：

V1 = spm_vol('c1_subject.nii'); V2 = spm_vol('c2_subject.nii'); V3 = spm_vol('c3_subject.nii'); Y1 = spm_read_vols(V1); Y2 = spm_read_vols(V2); Y3 = spm_read_vols(V3); voxvol = abs(det(V1.mat(1:3, 1:3))); % 单位 mm^3 tiv_mm3 = (sum(Y1(:)) + sum(Y2(:)) + sum(Y3(:))) * voxvol; tiv_ml = tiv_mm3 / 1000;

这个算法的重要前提是c1/c2/c3必须来自同一个被试的同一个原生空间，不能混用其他文件。另外，如果分割时把颅骨、头皮等非脑组织也纳入了分割结果，TIV就会被高估，所以手动算完之后，最好和CAT自动估算值对一下，偏差超过20ml就应该返回去检查分割质量。

如果你的数据只保留了MNI空间的mwp1系列文件，那就不要再用它们手动算TIV了。经过配准、调制和重采样之后，体素值已经不再直接对应原生空间的物理体积，强行累加会引入误差。这一点也是我见过最多人踩的坑。

2.4 用TIV做协变量的两个具体场景

场景一：ROI体积分析。比如比较抑郁症患者和健康对照的海马体积，分组差别可能既来自海马本身萎缩，也可能来自个体颅腔大小。此时把TIV作为协变量放进ANCOVA，可以校正掉头围差异带来的混杂。实操上一般是在SPSS里用菜单：Analyze → General Linear Model → Univariate，把ROI体积设为因变量，分组设为固定因子，TIV和年龄设为协变量。

场景二：表面面积或体积分析。SBM里的皮层面积和皮层体积同样受到头颅大小强烈影响，文献中常见做法也是把TIV放进协变量。皮层厚度对头围的敏感度相对低一些，但审稿人仍然经常问，所以即便最后结果不显著，也建议在补充材料里报告“加入TIV作为协变量后结果保持一致”。

有一个情况我建议不用TIV校正：如果研究问题本身就把全脑总体积差异当作关注点，比如想回答“疾病组是否存在广泛灰质丢失”，那把TIV作为协变量会错误地吸收掉一部分真实效应。这时候更合适的做法是报告全局灰质体积（GMV）作为补充结果，而不是默默校正掉。

3. ROI定义的三条路径，不存在谁比谁绝对好

3.1 图谱模板ROI：省事、可复现、适合写方法

图谱模板是ROI分析里最常用的方式。核心逻辑是：用一张已经被专家分区好的标准大脑模板，去定义你关心的脑区，然后把模板里的每个标签编号对应到被试的个体空间或MNI空间图像上。常见选择包括AAL、AAL2、AAL3，以及Harvard-Oxford等。

AAL3是目前扩展较细的版本，保留了经典AAL脑区的基础上又拆出了一些更小的亚区。对于海马、杏仁核、壳核这类文献频繁报告的结构，AAL系列基本够用。如果你想让结果能和其他研究直接对比，建议在方法部分写清楚用的是哪个模板、哪个版本的标签编号，因为AAL2和AAL3里同一个名称的脑区编号可能发生变化，不写版本很容易被审稿人挑刺。

使用图谱模板时，要注意模板的MNI空间版本要和你的数据一致。CAT12输出的mwp1文件默认在标准MNI空间，体素大小通常是1.5mm或与模板一致；而很多图谱模板是2mm或1mm的。体素大小不匹配时，先做重采样到目标图像的空间，再做mask提取，不要直接拿不同分辨率的两个矩阵去对应。

3.2 坐标球形ROI：验证性分析的高频选择

坐标球形ROI是另一种很常见的定义方式：以某个MNI坐标为中心，画一个半径5到10mm的球体，落在球内的体素就是这个ROI。它特别适合做“验证性分析”——比如文献报告某个核心脑区峰值点在MNI坐标(-30, -15, -20)，你想在新数据里看看这个位置的灰质体积是否和临床指标相关，直接画个球提取就可以了。

画球的逻辑不复杂，但坐标转换容易出问题。球形ROI的中心是MNI坐标系的毫米坐标，而你需要把它转换到目标图像的体素索引，再用距离公式筛选体素。Python里可以用仿射矩阵的逆来完成转换。以下是一段参考脚本：

import nibabel as nib import numpy as np img = nib.load('mwp1_subject.nii') affine = img.affine center_mni = np.array([-30, -15, -20, 1.0]) center_voxel = np.linalg.inv(affine) @ center_mni center_voxel = np.round(center_voxel[:3]).astype(int) radius_mm = 6 data = img.get_fdata() i, j, k = np.indices(data.shape).astype(float) dist = np.sqrt((i - center_voxel[0]) ** 2 + (j - center_voxel[1]) ** 2 + (k - center_voxel[2]) ** 2) sphere_mask = dist <= radius_mm

注意这个距离计算是拿体素坐标直接算的，如果体素是各向同性的就没问题，但如果各向异性明显，需要先把体素间隔换算到毫米再算距离。常见的MNI模板大多是各向同性，我实际跑过的大多数数据不受影响，但养成先看header习惯总没坏处。

球形ROI最大的优点是结果可复现、对图谱边界误差不敏感。缺点是脑区边界可能不是规则球体，球体经常会包含临近脑回或白质纤维。建议在文章里明确写出“以peak坐标为中心、半径6mm的球形ROI”，方便别人重复。

3.3 手工ROI：小样本精细结构才值得这么干

手工绘制是最累但最精细的方法，适用于个体差异特别大的结构、或者需要精确切割某一解剖亚区的场景。比如你想单独划出海马头、体、尾三个亚区，图谱模板基本做不到，自动分割算法也不一定靠谱，这时只能在个体高分辨率T1上逐层勾勒。

工具推荐ITK-SNAP，免费开源，界面友好，支持多种半自动分割算法。绘制的流程大致是：先加载重采样后的个体T1，然后在冠状面或矢状面逐层描出目标结构，最后对三维体数据进行填充，输出为一个二值mask。

一个关键步骤是：手工ROI的mask必须最终转换到和统计分析相同的空间。如果你的统计模型是基于MNI空间的smwp1图像，那么需要把手绘mask从原生空间用DARTEL形变场配准到MNI空间；如果模型直接在原生空间做，那mask就不要随便搬到模板空间去。空间一致性没解决好，手绘精度再高也白搭。

手绘ROI并不适合大批量样本，一个被试一个结构动辄半小时到一小时，几十个人做下来非常痛苦。我自己的建议是：在课题启动前算好样本量，如果ROI数少、目标结构小且特殊，手工值得；如果涉及数十个脑区或大样本，老老实实用图谱模板。

3.4 怎么选择：我的实际判断标准

我判断用哪种ROI定义方式，基本看三个问题。第一，研究目标是探索性还是验证性？探索性怕漏检，优先用图谱覆盖多个脑区；验证性怕假阳性，优先用坐标球形或精确图谱。第二，目标结构是否在标准模板里稳定可识别？海马、杏仁核这类大核团图谱问题不大，但下丘脑、蓝斑这类小而边界模糊的核团，图谱模板容易错位，手工或专用分割工具更合适。第三，样本量是否支持手工？小样本精细结构，手工ROI能显著提升准确度；大样本追求可重复性和效率，自动图谱是更理性的选择。

没有绝对正确的ROI定义方法，只有适合当前研究问题的方案。写作时把定义流程写清楚，比纠结哪种“更高级”重要得多。

4. 实操：一条能把ROI体积和TIV同时拿到的流水线

4.1 用CAT12内置ROI工具做自动图谱提取

CAT12本身提供了ROI提取工具，不用自己写代码，适合大多数常规分析。操作路径大致是：在CAT12的主界面里进入Statistical Analysis模块，然后选择ROI Analyses，GUI会要求你选择分析的图像类型，比如VBM的灰质图或SBM的皮层厚度图。接着指定图谱或自定义mask，设定输出形式，运行后就能得到每个被试、每个ROI的数值表。

我用这个工具时习惯先把所有被试的mwp1或smwp1文件整理到一个清单里，按组别命名排序，然后在ROI工具里一次性选中所有文件。它输出的结果通常是一个文本文件，行对应被试，列对应ROI，前面几列可能是被试文件名、组别标志等。把这个文本保存为CSV或Excel格式，后续进统计软件就很方便。

需要注意，CAT12界面里有一些选项对应不同的处理策略，比如“体积”和“浓度”。体积模式适合报告ROI内灰质总体积，浓度模式更像ROI内平均灰质概率或者说灰质密度。选择之前先想好研究假设，别两个都跑一遍然后不知道该报哪个。

4.2 自定义mask和smwp1的“空间对齐”是成败关键

如果你不用内置图谱，而是用自己的二值mask，那空间对齐就是整个流程中最重要的环节。理想状态下，mask和smwp1图像必须满足三个条件：空间坐标系一致，都是在MNI空间；矩阵维度一致，比如都是91×109×91，或者重采样到相同大小；体素大小一致，比如都是2mm各向同性。

如果发现不满足，最省事的解决办法是使用Nilearn里的resample_to_img函数，把mask重采样到目标图像的空间，同时采用nearest插值方式保留二值属性：

import nibabel as nib from nilearn.image import resample_to_img mask = nib.load('ROI_manual.nii') ref = nib.load('smwp1_sub-01.nii') mask_rs = resample_to_img(mask, ref, interpolation='nearest') nib.save(mask_rs, 'ROI_manual_resampled.nii')

重采样后用下面这段脚本，逐个被试提取ROI内灰质体积：

import nibabel as nib import numpy as np from glob import glob roi = nib.load('ROI_manual_resampled.nii').get_fdata().astype(bool) voxvol = None for path in sorted(glob('smwp1/*_smwp1.nii')): img = nib.load(path) data = img.get_fdata() if voxvol is None: voxvol = np.prod(img.header.get_zooms()[:3]) roi_volume = np.sum(data[roi]) * voxvol print(path.split('/')[-1], roi_volume)

我特别建议在正式跑大样本前，先抽一个被试目测检查一下mask的边界是否贴合目标结构。用MRIcron或FSLeyes把mask叠加在平均图像或个体图像上，翻几个层面看看有没有明显偏到脑沟外。这一步很简单，但能省掉后面整个样本数据全部错位的风险。

4.3 从XML报告里批量读取TIV

TIV已经在每个被试的XML报告里了，现在只需要批量抽出来。如果是少量被试，手动打开XML搜索TIV也能接受；如果是几十上百个被试，建议直接写脚本遍历文件夹。MATLAB里可以用cat_io_xml，但字段路径存在版本差异，所以更通用的做法是直接用文本处理函数搜索关键字。

Python的xml解析可以这样：

import os import xml.etree.ElementTree as ET subdirs = ['sub-01', 'sub-02', 'sub-03'] results = [] for sd in subdirs: xml_path = os.path.join(sd, 'cat_sub-' + sd.split('-')[-1] + '_T1w.xml') tree = ET.parse(xml_path) root = tree.getroot() # 具体字段路径取决于版本，这里假设常见路径 for elem in root.iter(): if elem.tag == 'TIV': results.append((sd, float(elem.text))) break for r in results: print(r)

如果xml结构变了，用root.iter()搜索TIV标签通常还是能匹配到。实在不行就用grep命令在Linux终端里先把所有XML里的TIV字段抓出来，再手动整理进表格。这种“土办法”虽然不优雅，但胜在稳定。

拿到TIV后，还要顺手检查数值是否在合理范围。成年人TIV大多在1200到1800ml，女性和体型较小的人群略低；如果某被试的TIV只有900ml或超过2000ml，优先怀疑分割失败，而不是直接拿来用。

4.4 把提取结果整理成可直接进入统计软件的表

到这一步，你手里应该有三类数据：每个被试的ROI体积值、TIV值、以及分组和人口学信息。真正进入统计之前，我建议把这些汇总成一张“宽表”，每行一个被试，每列一个变量。比如：subject_id、group、age、sex、TIV、ROI1_volume、ROI2_volume、ROI1_thickness等。

整理表的时候有两个容易忽略的细节。一是保持文件命名的可追溯性，ROI数值来源的mask和图像版本最好也记录在备注列里，否则半年后回来看数据会想不起来用的哪个模板。二是检查缺失值，CAT12预处理如果某个被试失败，对应XML里可能没有TIV，ROI表里也可能缺一行。提前统一处理缺失值，别让统计软件自动剔除你还没意识到的被试。

导出成CSV之后，我一般会用SPSS或R快速跑一遍描述性统计，看每组ROI体积的均值和标准差，再检查正态性和方差齐性。这里不需要做完整分析，但看看分布有助于发现异常值。如果某个被试的ROI体积比组均值偏离超过3倍标准差，多半是头动伪影或分割问题，回到QA报告里核查。

5. 现场排雷：ROI和TIV环节我踩过的典型问题

5.1 TIV异常的三类原因

TIV数值不正常，我遇到过的主要原因有三类。第一类是头骨去除不彻底，分割时把颅骨、头皮组织算了进去，TIV整体偏大。判断方法很简单：在CAT12的QA界面上查看分割结果，看颅骨区域是否残留灰质概率值。第二类是原始图像伪影，比如运动噪声、金属伪影导致分割算法失灵，TIV可能出现极端值。第三类是配准失败，DARTEL形变估计不收敛，导致体积估算偏差。

定位TIV异常最快的方法是回到CAT12生成的QA贴图或者质量参数。CAT12会在XML里写一堆质量指标，比如噪声、偏置、分辨率、空间失真等，不正常时会有明显预警。我处理数据时习惯在跑完预处理后，第一件事先看所有被试的QA评分，第二件事再检查TIV分布。两个指标都正常，ROI分析才有底气。

5.2 ROI加工时最容易犯的坐标错误

坐标错误是ROI分析里最普遍的坑。用坐标画球形ROI时，坐标来源必须是MNI空间或者与目标图像相同的空间。很多文献里报告的peak坐标是Talairach空间，和MNI空间并不完全等价，需要先做坐标转换，否则球画偏了整层分析都失效。

还有一种常见情况是手动把MRIcron里的坐标直接填进脚本，但MNI模板版本不一致导致实际位置错位。我在实际项目中就碰到过一个被试的海马ROI整体偏到侧脑室，原因是画球时用的模板是1mm的，而分析图像是2mm的，坐标边界没有按体素大小换算，导致偏移。最后只能把被试剔除，血的教训。

解决方法只有一个：画完ROI后，把mask叠在平均T1或目标图像上目测检查。别嫌这一步麻烦，它比任何代码检查都直观有效。

5.3 用“体积”还是“浓度”，背后是研究假设问题

很多新手在ROI提取时忽略“体积”和“浓度”的区别，其实这背后是两个不同的研究假设。灰质体积（volume）是把ROI内所有体素的灰质概率值乘以体素大小再累加，反映的是这个脑区总的灰质“量”；灰质浓度（concentration）是ROI内灰质概率的平均值，更多反映局部灰质占比或密度。

如果你关心的是“疾病导致某脑区组织丢失”，报告体积更合适；如果你关心的是“某脑区在局部范围内灰质相对比例的变化”，可能浓度更贴合。更关键的是，体积和浓度对TIV校正的敏感性不同：体积受头围影响更大，浓度相对稳健，但仍然建议报告TIV校正前后的结果。

我在实操里通常两个都算，然后以体积作为主要指标，以浓度作为稳健性检验。这样写作时可以把“结果在体积和浓度分析中一致”写进论文，审稿人有疑问也能拿出补充材料回应。

5.4 SBM的ROI提取不能照抄VBM

SBM的ROI提取有自己的一套逻辑，作为VBM习惯者很容易跑偏。VBM里用三维mask提取体素均值或体积，SBM则需要在皮层表面上定义ROI，然后用surface data tool去提取厚度或面积。CAT12里做表面ROI操作时，默认的自带图谱在首次使用可能需要联网下载，网络条件不好时容易卡住。

最稳妥的做法是在CAT12的surface界面下选择图谱后，先跑一个被试看看输出，确认图谱能正常标记到个体表面上，再批量跑。一次跑完大批量之后才发现图谱下载失败，非常浪费时间。我踩过这个坑后，现在处理任何SBM项目第一步就是提前把模板和图谱准备好。

另外，注意SBM里不同指标存放的文件扩展名不同，thickness和area的提取要用不同的surface数据，别都用同一张图。提取厚度用thickness文件，提取面积或体积用各自的面积图和体积图，这一步选错了结果肯定不对。

5.5 处理顺序和留档的一个小建议

最后分享一个个人习惯：从预处理一开始，我就维护一个总表，包含被试ID、预处理完成日期、QA评分、TIV、ROI提取版本和结果。每做完一个步骤就更新一次。这样做的好处是，半年后回看数据时，每个数字的来源都清清楚楚，不会因为换了一个模板版本就抓瞎。

ROI和TIV这两个看似小步骤，在实际分析流程里却能决定统计结果的可靠性。我自己的经验是，宁可多花一个小时做完空间核查和异常值检查，也不要急着把结果扔进统计软件。脑影像分析里，数据质量永远是第一位的。

这些坑我基本都踩过一遍，也希望看到这篇笔记的你，能在正式分析前就避开。如果后续有机会，我再把ROI结果进入统计模型之后的那部分内容，整理成新一篇笔记。