DPABI静息态fMRI预处理全流程解析：从参数设置到实操避坑

预处理这件事，只要做过静息态功能磁共振（rs-fMRI）分析的人，基本都绕不开DPABI。这个系列第三个视频专门讲上机操作里的预处理环节，而且题目里“基于数据重点学习”这几个字很关键——也就是说不是单纯给你讲按钮怎么点，而是要你跟着真实数据走一遍，理解每一步为什么这么做。这篇博文我就顺着这个思路，把DPABI预处理从整体设计到每一个环节的实操细节都拆开讲，顺便把那些视频里没时间讲、但实际操作中特别容易踩的坑也补上。

1. 先想清楚：预处理到底在解决什么问题

1.1 原始功能像的“毛坯状态”

很多人第一次拿到静息态功能像数据，直接打开一看：图像灰蒙蒙的，大脑边缘不清晰，同一层扫描里不同脑区亮度不均匀，甚至被试随便动一下脑袋，整个序列上脑子的位置都在飘。这种状态下绝对不可能直接做统计分析，因为任何人脑信号里的差异都被噪声盖住了。

我们常说的预处理，核心目标就两条：第一，把混在BOLD信号里的生理噪声和设备噪声尽量去掉；第二，把每个被试、每一次扫描的数据都放到同一个标准空间里，让不同人之间的大脑可以在体素级别直接比较。看上去只是“清理”和“对齐”，实际操作却涉及时间层校正、头动校正、协变量回归、空间标准化、平滑这一整套动作，次序错一步，结果就可能有偏。

1.2 DPABI简化了什么，又保留了什么

早年间做rs-fMRI预处理，是用SPM的模块一个个手动执行，先点Slice Timing，再点Realign，然后Coregister、Normalise、Smooth，每跑一步都要重新选文件、填参数，几十个被试下来非常容易出错。DPABI这类工具的价值，就是把这一整套流程封装成可视化界面，让我只需要关心几个关键参数，其余的交给批量脚本处理。

但“封装”不等于“黑箱”。DPABI能跑通，不代表结果一定对。它保留了足够的参数选项，比如切片顺序、TR长度、标准化模板、平滑核大小、协变量选择，这些参数必须基于你的扫描序列和数据实际情况来设置。这也就是为什么视频标题强调“基于数据重点学习”——不同机器、不同序列出来的数据，参数设置完全不一样。

我自己在带学生的时候，经常遇到一种情况：照着某个教程把参数填进去，跑完结果看起来很漂亮，可换一台机器、换一批数据就完全不对劲。原因就是只学了界面操作，没学参数背后的原理。下面这一章，我会把每一个核心环节的原理和选择标准讲透。

2. 预处理流程各环节的核心逻辑与参数选择

2.1 时间层校正（Slice Timing）——先解决“不同层不是同一时刻”的问题

功能像的采集是逐层扫描的，不是整个大脑同时成像。也就是说，第1层和第20层的采集时间之间存在时间差，这个时间差在后续分析中会被当成BOLD信号的时间差异，造成虚假波动。时间层校正是通过插值把所有层对齐到某一个参考时间点上，让数据看起来像是同一时刻采集的。

这一步有两个参数最容易出问题：TR（重复时间）和Slice Order（切片顺序）。

TR一般可以在扫描序列里直接查到，常见的是2秒或1秒。关键在Slice Order。西门子和GE的机器默认扫描顺序不一样，有些是逐层升序，有些是隔层扫描（interleaved）。如果填反了顺序，校正出来的时间序列反而会引入更大的误差，而且这种误差肉眼很难看出来。

我处理数据时，一定会在预处理前先向扫描技师确认采集协议，把Slice Order记到本子上。视频里也会演示在哪里填写这个参数，但不会每次都提醒你：这一步填错了，后面所有分析都是在水里倒水。另外提醒一句，有些序列在扫描参数里标注的是“ascending”，有的是“descending”，还有复杂的组间隔排列，网上没有统一答案，只能看实际扫描设置。

2.2 头动校正（Realign）——对齐之外更要关注“动了多少”

被试在扫描仪里待几分钟到十几分钟，头动几乎是不可避免的。Realign通过刚性配准（六参数，三个平移加三个旋转）把每一帧图像对齐到参考帧上，同时输出头动参数，用于后续协变量回归。

很多初学者只关心“校正”本身，忽略了头动参数的重要性。实际上，头动大于一个体素（通常3mm或3度）的被试数据可能都需要考虑剔除，因为大幅头动会造成信号失真，简单配准并不能完全修复。更严谨的做法是同时计算平均头动和逐帧位移（framewise displacement, FD），在协变量回归时加入头动参数，甚至把FD过大的时间点作为scrubbing处理。DPABI里面直接集成了头动参数计算，预处理结束后会生成每个被试的头动曲线图，一定要逐个查看。

实操中我还会专门检查Power图（一种反映头动与BOLD信号混淆程度的频谱图），尤其是当TR较长、采样率较低的时候。正常的Power图应该没有明显的低频尖峰，如果出现尖峰，说明头动噪声混进了低频信号，常规回归很难完全去除，要考虑更严格的排除标准或者重新扫描。

2.3 协变量回归与滤波——把噪声从信号里“剥”出去

这是DPABI预处理里极具特色的环节。静息态BOLD信号里既有神经元活动产生的低频波动，也有心跳、呼吸、头皮血流带来的生理噪声，还有头动残留影响。协变量回归的思路，就是把这些已知噪声源的信号提取出来，作为回归变量从BOLD信号中剔除，剩下的“干净”信号才用来做后续分析。

DPABI默认提供几个选项：白质信号、脑脊液信号、Friston 24参数头动模型，以及可选的全局信号。白质和脑脊液里基本没有神经元活动，更多的是生理噪声，所以把它们回归掉是常规操作。Friston 24参数模型包含头动六参数的当前值和前一时点值，再加上它们的平方项，能更彻底地去除头动影响。

全局信号回归（GSR）是一件需要谨慎选择的事。去掉全局信号可以显著减少头动和生理噪声，但也可能引入负相关偏倚，在某些情况下丢掉真实的神经信号。我的做法是：先不回归全局信号，做完第一轮预处理和QC之后，根据头动程度和研究假设再决定是否补充回归。这个问题的选择，应该写在论文方法部分里，而不是预处理完就忘掉。

滤波通常是和协变量回归配合的。静息态关注的低频波动一般在0.01~0.1Hz，生理噪声高频成分较多。DPABI可以在回归后自动做带通滤波，把不需要的频率成分滤掉。参数设置要结合TR来评估可提取的频率上限，不能直接照抄别人论文里的0.01-0.1Hz。

2.4 空间标准化（Normalize）——把不同人的大脑装进同一个坐标系

每个被试的大脑大小、形状都不一样，要做组水平比较，就需要把每个大脑配准到一个标准空间，最常用的是MNI（Montreal Neurological Institute）空间。标准化做得不好，后面所有体素水平的统计都没有意义。

DPABI里标准化主要有两种方式：一种是传统的SPM标准化，直接匹配个体像到MNI模板；另一种是DARTEL，先基于所有被试的灰质图像生成一个研究特异性模板，再把这个模板配准到MNI空间。我在绝大多数情况下会选择DARTEL，因为它对个体间差异的建模更精细，尤其是灰质结构差异较大的被试群体，DARTEL的配准效果明显优于传统方法。

DARTEL需要T1结构像，所以DPABI的标准化步骤依赖你有高质量的T1。如果T1像质量差（比如头部有金属伪影、扫描不完整），DARTEL就容易跑偏。跑完之后我会在DPABI生成的报告里查看标准化后的平均功能像，确认脑区覆盖是否完整、结构边界是否清晰。如果发现某个被试的标准化结果明显变形，或者在边缘区出现大面积错位，就说明配准失败了，需要返工。

2.5 平滑（Smooth）——不是越大越好，而是要匹配分析需要

平滑是在空间上对图像做高斯模糊，目的是提高信噪比、让数据更符合高斯随机场理论的统计假设。但平滑核大小的选择，直接影响空间分辨率和统计检验的敏感性。

常规推荐值是FWHM（半高全宽）为体素大小的两倍左右。比如标准化后体素是3mm，FWHM取6mm；体素是2mm，FWHM取4mm。这个经验值靠谱的原因在于，它足够压制高频随机噪声，同时又不会把相邻脑回之间的信号混叠到无法分辨的程度。当然，如果研究的是小脑区或者需要精细定位的功能分区，平滑核可以适当减小，但不能完全不平滑，否则组分析时多重比较校正会非常困难。

还有一种情况：如果数据量不大、信噪比又低，适当加大平滑核（比如FWHM 8mm）可能让结果看起来更稳健，但这也意味着定位精度变差。我一般会同时记录几个候选FWHM值，在最终统计分析前对比不同平滑程度下结果的稳定性和解释性，再决定采用哪个。

3. DPABI上机实操全流程

3.1 数据整理规范

开始界面操作前，先要把数据整理成DPABI能识别的样子。虽然DPABI支持直接从DICOM开始处理，但更稳妥的做法是先转换好NIFTI格式，并按被试ID建立文件夹。这一步视频里通常一带而过，但实际操作中非常重要。

我建议的最简结构是：主目录下每个被试一个文件夹，文件夹内放T1结构像和功能像子文件夹。如果使用DPARSF（DPABI的早期图形界面）的经典模式，功能像和结构像是放在不同顶层目录里的，比如FunImg/和T1Img/，这个结构千万别搞混。DPABI后续可能会要求指定T1的存放方式（比如T1ImgNewSegment），所以在开始建立文件夹时就要想清楚。

一句话总结我的习惯：宁愿花二十分钟把数据目录整理得清清楚楚，也不要为了省时间直接一股脑导入，最后报错了不得不从头再来。

3.2 界面设置与参数填写

启动DPABI后，新建一个项目（或者直接进入DPARSF界面），首先要做的是设置工作目录，也就是刚才整理好的主目录路径。然后选择被试文件夹，系统会自动列出该目录下所有子文件夹。

接下来是核心参数面板，我将常见选项整理成一张表：

填写时最容易犯的三个错误是：TR看错（比如把采样时间当成TR）、切片顺序照抄别人、去前几个时间点没设置导致数据开头不稳定。视频里演示时一定会强调“查看扫描参数的时候，不要用默认值”，这句提醒很值得反复读几遍。

另外，工作目录和被试文件夹路径里尽量不要有中文和空格。虽然DPABI对路径的容错性比早期版本好了很多，但路径里一旦出现中文导致MATLAB崩溃的案例仍然不少，这个习惯能省很多事。

3.3 运行与产物检查

参数设置完成，点击运行，DPABI就会按照你勾选的步骤顺序自动处理所有被试。运行期间要注意MATLAB命令行窗口有没有红色报错。少量被试报错时，可以先记录报错信息，让程序继续，最后统一排查。

预处理结束后，DPABI会在每个被试的文件夹里生成一系列子文件夹和文件，包括预处理后的功能像（通常是标准化后和平滑后的图像），以及QC报告、head motion参数文件、covariates文件等。我的检查顺序是：

第一，看每个被试的头动报告，确认没有超过排除阈值的被试；第二，看标准化后的平均图像，确认大脑覆盖完整、无大面积扭曲；第三，抽几个被试的功能像时间序列，简单观察信号强度是否平稳。如果这三关都过了，这批数据才算真正可以进入统计分析。

我还习惯保留预处理中生成的中间文件，比如时间层校正后的图像和未平滑的图像，万一以后想换一种平滑核或者修改协变量设置，就不用重新跑全流程了。

4. 常见问题与排查技巧

4.1 最常翻车的三个参数设置

第一个是Slice Order。几乎每个初学者都会在隔层扫描数据上填成升序，然后结果看着很正常，直到对比不同切片顺序处理后的时间序列，才发现有系统性差异。这个坑最好的预防办法，就是在数据采集时记下扫描仪品牌和序列设置，并直接询问扫数据的技师。就算来不及问，也至少要在论文里写清楚你用的顺序，等审稿人追问时能答上来。

第二个是TR。有些序列的TR是0.8秒，有些是2秒。如果你用了2秒去处理0.8秒的数据，滤波范围会整体偏差，连头动计算的采样频率也是错的。看到DPABI报告里的频率范围时，我会用1/(2×TR)这个方法心里估算一下奈奎斯特频率，确认滤波上限没有超过它。

第三个是去时间点。不少公开数据集前几个时间点已经做了处理，但你自己扫的数据没有。如果忘了去前几个时间点，早期信号不稳定会影响整个序列的校正质量。一般建议去5到10个，少一点问题不大，但“完全不去”风险较高。

4.2 头动排除与QC

头动排除没有绝对统一的标准。比较常见的做法是：平移超过3mm或者旋转超过3度的被试直接剔除；更严格的组分析会用到1.5mm / 1.5度作为阈值。但要注意，头动参数反映的是单帧相对参考帧的位移，如果整个扫描过程是缓慢漂移，逐帧位移不大但总体位移很大，也需要看平均位移的情况。

另一种常用手段是计算FD，把FD大于0.2mm或0.5mm的帧标记为scrubbing帧，在统计分析时进行剔除或做逐帧加权。DPABI的输出里可以直接提取这些数据，但很多人在预处理阶段没有意识到后续统计分析还需要这些头动衍生指标，所以建议从一开始就把所有头动参数导出保存好。

QC还有一个容易忽略的点：不同被试标准化后的空间范围并不完全一致，有些被试在MNI空间边缘会有轻微的覆盖不足。正常情况下这种差异不会影响组分析，但如果某个被试的脑区覆盖比其他人大面积缺失，那就要排查是不是T1配准出了问题。

4.3 报错汇总速查表

我自己经历过的、以及帮学生排查过的常见报错，汇总成一张速查表：

看到报错不要慌，先读错误信息最后一行，很多时候问题就是路径或文件名不对。DPABI的社区论坛和GitHub上也有很多类似的提问，搜索关键词比闭门造车效率高得多。

5. 一些视频没细说、但实操很关键的补充

5.1 记录元数据的重要性

视频里会花篇幅讲界面操作，但往往不会强调：你在预处理时填进去的每一个参数，最后都应该出现在论文的方法部分里。我习惯在跑数据之前建一个Excel表格，记录每个被试的TR、切片顺序、层数、去时间点数、平滑核大小、协变量选择这些信息。这样当审稿人问你“每个被试的参数是否都一致”时，你可以直接给出记录表，而不是翻聊天记录或邮箱。

有些人可能会说“这批数据是同一个序列扫的，参数肯定一样”。但实际操作中，一台机器上可能存在多个序列版本，或者某几次扫描临时改了设置。最稳妥的是逐被试确认至少一份扫描参数文件，并记录在案。

5.2 大批量数据不要一次全跑

如果你的样本量是30个或者更多，我强烈建议不要第一天就把所有被试一次性丢进去跑。可以先选2到3个不同质量层次的被试跑通全流程，检查结果没问题，再开始批量运行。这一步“试跑”能帮你提前发现参数设置错误，也能在看到完整运行时间后做好资源规划。

批量运行时，还要注意磁盘空间。预处理会生成多个中间文件，某些情况下一个被试就会占掉几GB的空间。如果磁盘快满了，程序会在中途报错，白白浪费几个小时。建议在预处理前先预留至少原始数据两倍大小的空间。

5.3 一个很实用的小习惯

每次预处理完成后，我会顺手把DPABI生成的参数文件和运行日志复制一份到一个备份目录。这个习惯救过我一次：有次结果异常，怀疑是参数设置不一致，翻出当时的运行日志对比，才发现某台服务器上跑的时候用的是旧版本脚本。有了日志，出问题就能定位。

视频里讲到的内容，更多的是带你把流程走通，但要真正把这套预处理做得稳、做得经得起推敲，还是要在自己的数据上多试、多检查、多记录。预处理是整个rs-fMRI分析链条里最繁琐、也最值得花时间认真对待的一环，这一环扎实了，后面的统计结果才敢拿去说服别人。