SeeCAT 2.0 使用手册

SeeCAT 是用于静息态功能磁共振脑功能连接分析的 MATLAB 工具箱。它把一项研究从 DICOM 文件或 BIDS 数据集出发，经过预处理、质量控制、连接指标计算、多中心校正，一直做到组统计和结果展示；既可以在一个窗口里操作，也可以用脚本运行。本手册介绍 2.0 版：每个部分做什么、怎么做、每个选项的含义、读写哪些文件，并在真实数据上给出完整实例。

1 简介

1.1 SeeCAT 能做什么

SeeCAT 覆盖静息态研究的完整流程：

• DICOM to BIDS：用内置的 dcm2niix 把各种常见目录结构的 DICOM 转成 BIDS 数据集，自动识别被试和 session。
• Data check：列出每个 BOLD run 的帧数、TR 和头动。
• Preprocessing（预处理）：去除前几帧、层间时间校正、头动校正、配准、统一分割、标准化到 MNI 空间、结合带通滤波的干扰信号回归、高头动帧处理、平滑；并计算 MRIQC 图像质量指标，生成每个 run 和整个研究的 HTML 质量报告，可选输出 VBM 图。
• fMRIPrep denoising：对 fMRIPrep 的输出做同样的去噪、剔除和平滑。
• 质量控制：按规则建议剔除哪些 run（头动、覆盖率、配准），按中心标出图像质量离群值，并提供表格让你确认每个决定。后续步骤自动跳过被剔除的 run。
• Seed FC：基于球形或 mask 种子点的功能连接。
• Degree：体素水平的度中心性和强度。
• Gradients：用扩散映射嵌入计算连接梯度，并在各 run 之间对齐。
• Harmonize：用 ComBat 及相关模型去除被试图中的中心和扫描仪效应。
• Statistics：组水平一般线性模型（单样本和两样本 t 检验、配对检验、单因素和重复测量方差分析、回归、自定义设计），可加协变量；多重比较校正可用与 SPM 相同的随机场理论和 FDR，也可用基于置换检验的 TFCE。
• Viewer：切片显示、阈值、带图谱标签的团块表、拼图、时间序列和皮层表面显示。

窗口中的每个操作最终都是一个配置（MATLAB 结构体，可保存为 JSON），交给 seecat.run 运行，因此每个分析都可以用脚本重复。

1.2 2.0 版的变化

• 全部重写：只依赖 SPM，使用 BIDS 数据，不再使用 1.x 的 FunImgARW… 目录结构。
• 输入是 BIDS 数据集，输出采用 BIDS-derivatives 命名，结果可被其他工具读取，其他工具（如 fMRIPrep）的结果也能被 SeeCAT 读取。
• 新增：DICOM 转换、fMRIPrep 输入、MRIQC 风格的质量指标、质量控制剔除、连接梯度、多中心校正、TFCE、VBM 图、按内存自动确定规模的并行计算，以及全新的图像查看器。
• 中断后可从中断的步骤继续；设置未变、已经完成的工作会自动跳过。

1.3 许可与引用

SeeCAT 是自由软件，采用 GNU 通用公共许可证第 3 版或更新版本（GPL-3.0-or-later）。由北京师范大学夏明睿及其同事开发，在 GitHub 和 NITRC 发布。发表结果时，请引用 SeeCAT 以及你所用步骤背后的方法（SPM，以及参考文献中列出的论文）。

2 安装与启动

2.1 运行环境

2.2 安装

1. 从 GitHub 或 NITRC 下载 SeeCAT-2.0.0.zip 并解压。
2. 在 MATLAB 中：

   addpath('path/to/spm');
   addpath('path/to/SeeCAT-2.0.0/SeeCAT');
   savepath   % 可选：为以后的会话保存路径

3. 打开主窗口：

   SeeCAT

2.3 发布包内容

SeeCAT-2.0.0/
  SeeCAT/              工具箱本体：把这个文件夹加入路径
    SeeCAT.m           打开主窗口
    +seecat/           全部函数（seecat.config、seecat.run、seecat.viewer 等）
    templates/         脑、灰质、白质、脑脊液 mask 和查看器底图（IXI549Space、MNI 2009c）
    resources/         图标和窗口的网页组件
  external/dcm2niix/   win、mac、lnx 三个平台的 dcm2niix
  Doc/manual/          本手册（HTML 和 PDF）
  README.md、LICENSE、CHANGELOG.md

2.4 两种使用方式

窗口（SeeCAT）每一步一个页面。每个页面生成一个配置；Run 在另一个 MATLAB 进程中运行，窗口保持可用；Save 把配置保存为 JSON 文件。

脚本使用同样的配置：

cfg = seecat.config('prep');                 % 所有选项取默认值
cfg.bids_dir  = 'D:/study/bids';
cfg.subjects  = {'01', '02'};                 % 留空 = 全部
cfg.n_workers = 'auto';
seecat.run(cfg);                             % 写到 D:/study/bids/derivatives/seecat

seecat.run('my_prep.json');                  % 运行从窗口保存的配置

第 8 章列出全部批处理函数和完整脚本。

3 基本概念

3.1 BIDS 与 BIDS-derivatives

SeeCAT 读取按 BIDS（Brain Imaging Data Structure）组织的原始数据，并以 BIDS-derivatives 的形式写出结果。原始数据集的结构如下：

bids/
  dataset_description.json
  participants.tsv                  participant_id，以及 group、age、sex、site 等列
  sub-01/
    anat/sub-01_T1w.nii.gz（及 .json）
    func/sub-01_task-rest_bold.nii.gz
         sub-01_task-rest_bold.json  RepetitionTime、SliceTiming 等

文件名由若干实体（entity）组成，即用下划线分隔的"键-值"对，最后是后缀（suffix）（bold、T1w、mask、connectivity 等）。SeeCAT 的输出保留来源文件的实体，并加上自己的实体：

每个图像都附有一个 JSON 说明文件（sidecar），记录它是如何生成的（来源文件、设置、使用的帧等）。

3.2 空间与模板

SeeCAT 自己的预处理把数据标准化到 SPM 的模板空间 IXI549Space（SPM 组织概率图所在的空间，与 MNI152 接近）。输出按所选体素大小（默认 3 mm）写在 SPM 的边界框 [-90 -126 -72; 90 90 108] 内。fMRIPrep 的输出保持其原有空间，通常是 MNI152NLin2009cAsym。templates 文件夹中有由 SPM TPM 生成的 2 mm 和 3 mm 脑、灰质、白质、脑脊液 mask，以及查看器使用的底图（ch2、ch2better、ICBM152 2009c）。

3.3 计算单元、断点续跑与跳过

每个流程把工作分成若干单元：Preprocessing、fMRIPrep denoising、Seed FC 和 Degree 中一个 BOLD run 是一个单元；组水平的步骤（Gradients、Harmonize、Statistics）是一个单元。单元完成时，SeeCAT 记录它的设置。再次运行时：

• 设置相同、已经完成的单元会跳过（勾选 Overwrite 则重新计算）；
• 设置有变化的单元会删除之前写出的文件后重新计算；
• 失败的单元从中断的步骤继续，使用其工作文件夹中的中间结果；
• 失败单元的不完整输出不会留在 derivatives 中。

一个单元失败不影响其他单元；汇总表和日志会说明哪个失败、原因是什么。

3.4 日志、配置与汇总

每次运行都在 <输出文件夹>/logs 下写出：JSON 格式的配置（<pipeline>_<时间>_config.json）、一个主日志、每个单元一个日志，以及每个单元写出的全部文件清单。<输出文件夹>/reports/<pipeline>_<时间>_summary.tsv 每个单元一行：状态、用时、信息和该单元的主要结果（保留的帧数、平均 FD 等）。

3.5 并行计算与内存

每个页面的 Parallel workers 选项决定同时运行多少个单元：

• auto（默认）：在内存允许的范围内尽量多开。SeeCAT 估算一个单元需要的内存（依据最大的 run、脑 mask、Gradients 的节点数、Statistics 的被试图），加上每个 worker 约 1 GB，扣除主进程需要的部分，最多使用空闲内存的 85%，且不超过核数和单元数。日志会写明估算结果和选择。只有一个单元（Harmonize、不含 TFCE 的 Statistics）、内存不够开两个 worker，或没有 Parallel Computing Toolbox 时，逐个运行，不开并行池；
• 0：逐个运行，如需让电脑留给其他工作；
• 一个数字：最多这么多个 worker。

每个 worker 按比例分得 CPU 核作为计算线程（如 32 核开 5 个 worker，每个 6 个线程），矩阵运算的速度不受影响。Gradients 和 TFCE 只有一个单元，worker 分担的是该单元内的各个 run 或各次置换。并行池启动失败时，SeeCAT 会用一半的 worker 再试一次，仍不行才改为逐个运行，并在日志中写明原因。

3.6 质量控制剔除

Preprocessing 或 fMRIPrep denoising 完成后，组报告会写出 reports/qc_exclusions.tsv：列出每个 run（和 T1 像）以及保留或剔除的决定。规则给出剔除建议；你在 QC reports 页确认或修改。之后 Seed FC、Degree、Gradients、Harmonize 和 Statistics 都会跳过被剔除的 run（它们的 Leave out QC exclusions 选项默认开启），并在日志中列出。规则见 6.5 节。

3.7 participants.tsv

分组信息来自 BIDS 数据集的 participants.tsv：每个被试的组别、年龄、性别、中心、量表分数等。Statistics 和 Harmonize 会在 derivatives 旁、上两级目录（bids/derivatives/seecat → bids），或 derivatives 的 dataset_description.json 中记录的来源数据集里找它；也可以另外指定。数值列按数值使用，文本列按类别使用。预处理得到的组织体积（gm_ml、wm_ml、csf_ml、tiv_ml，在 reports/anat_volumes.tsv 中）可以像 participants.tsv 的列一样直接使用。

4 主界面

4.1 布局

• 页面（左侧），分三组：PREPARE（DICOM to BIDS、Preprocessing、fMRIPrep denoising）、ANALYSE（Seed FC、Degree、Gradients、Harmonize、Statistics）和 RESULTS（Viewer、Data check、QC reports）。Manual 打开本手册，About 显示版本。
• 选项（中间），分为 Input、Preprocessing、Denoising 等卡片。上方标签跳到对应卡片。勾选 Show advanced options 显示大多数研究保持默认值的高级选项。
• 说明（右侧）：点击选项的 i 图标或编辑该选项，即显示它的作用、示例、默认值和批处理字段名。鼠标停在选项上会显示简短提示。
• 运行面板（右下）：Run、Stop、各单元的进度和状态（Ready、Running、Finished、Failed）。
• 抽屉（底部）：上次运行的日志（Log）和汇总表（Summary）；箭头按钮展开或收起。
• Load 和 Save（右上）：以 JSON 读写本页的配置。在这里保存的配置可直接用 seecat.run 运行。

4.2 运行

点击 Run 时先检查所有选项，一次列出全部问题（必填文件夹为空、数值超出范围等）。随后流程在另一个 MATLAB 进程中运行：窗口仍可使用，日志实时显示在抽屉中，Stop 终止该进程（已完成的单元保留结果；被中断的单元下次继续）。运行结束后，抽屉的 Summary 标签显示本次的汇总表（每个单元一行，与 reports/<pipeline>_<时间>_summary.tsv 相同）；每个单元的日志在 logs/<pipeline>_<时间>/ 中。

4.3 输入框的类型

5 整体工作流程

使用 fMRIPrep 的用户从 fMRIPrep denoising 开始，代替 Preprocessing；之后的步骤完全相同。各步骤的输入输出如下：

默认情况下每一步都写到同一个 derivatives/seecat 文件夹，下一步直接在那里找到输入：derivatives 文件夹设一次，Output folder 留空即可。

6 各模块详解

本章每节介绍一个页面：用途、原理、全部选项（表格由软件本身生成，与窗口中的选项完全一致）、读写的文件，以及脚本用法。标有 高级 的选项需勾选 Show advanced options 后才显示。多个页面共用的选项（去噪、剔除、质量控制、输出、选择、运行）集中在 6.12 至 6.15 节介绍。

6.1 DICOM to BIDS

用 dcm2niix 把 DICOM 文件转换为 BIDS 数据集。它读取 DICOM 头信息识别被试、扫描次数和序列，按规则给每个序列命名，并把图像及其 JSON 说明文件写成 BIDS 结构。

如何识别被试、session 和序列

1. 读取头信息。SeeCAT 读取每个含 DICOM 文件的文件夹中第一个和最后一个文件（只快速读取到序列字段为止；.txt、.nii 等其他文件被忽略）。第一个和最后一个文件属于不同的人时，报告为错误。
2. 被试。PatientID 相同的文件夹属于同一个被试。被试名取自"包含此人全部文件夹、且不含他人文件夹"的那一级文件夹，只保留字母和数字（S_001 → sub-S001）。PatientID 缺失或已匿名化（如 anonymous、xxxx、0000）时按目录树判断。支持的结构包括：每个被试一个文件夹（S001/…）、先按模态再按被试（T1/S001、REST/S001）以及更深的层级（S001/visit1/T1）。Find subjects 在转换前显示识别出的结构和被试。
3. Session。只扫描一次（一个 DICOM study）的被试不设 session 文件夹；多次扫描按日期依次为 ses-1、ses-2 ……，对应关系保存在 code/seecat/from_dicom_sessions.tsv 中，之后新的扫描会得到下一个编号。
4. 序列。dcm2niix 转换每个被试；每个序列按第一条与其 sidecar 匹配的规则命名。默认规则把三维 T1 加权像（MPRAGE、SPGR、BRAVO 等）命名为 anat/…_T1w，把静息态 BOLD（序列名含 rest、rsfMRI 或独立的 RS）命名为 func/…_task-rest_bold。静息态 run 还必须是二维 EPI、至少 20 帧。不匹配任何规则的序列只列出，不复制。
5. 写出。图像以 .nii.gz 及其 sidecar 写到 sub-<label>/[ses-<label>/]anat|func；缺少 dataset_description.json 时会写出，participants.tsv 会加入新被试。已存在的图像保留，因此重新转换只补充缺少的部分。每个序列的去向记录在 code/seecat/ 的表格中。

选项

同时保留一个任务态 run 的规则文件示例：

[{"match": {"SeriesDescription": "rest"}, "datatype": "func", "suffix": "bold", "entities": {"task": "rest"}},
 {"match": {"SeriesDescription": "nback"}, "datatype": "func", "suffix": "bold", "entities": {"task": "nback"}},
 {"match": {"SeriesDescription": "mprage|t1"}, "datatype": "anat", "suffix": "T1w"}]

脚本

seecat.bids.scan_dicom('D:/study/dicom')                   % 查看将转换哪些数据
S = seecat.bids.from_dicom('D:/study/dicom', 'D:/study/bids');   % 转换全部被试
S = seecat.bids.from_dicom('D:/study/dicom/S_001', 'D:/study/bids', 'sub', '01', 'ses', 'pre');

6.2 Data check

预处理之前，先看看数据集里有什么。Data check 列出 BIDS 数据集（或 derivatives 文件夹）中每个 BOLD run 的帧数和 TR；如果有混杂变量表（预处理或 fMRIPrep 之后），还给出平均和最大帧间位移，以及被标记为高头动的帧。平均 FD 超过 0.25 mm 或超过 20% 的帧被标记的 run 会高亮显示。Open in viewer 逐帧查看所选 run 及其头动曲线；QC report 打开它的质量报告。

Series 下拉框选择列出哪类图像：预处理后（desc-preproc）、去噪后、原始（BIDS 数据集）或全部 BOLD 图像。脚本：R = seecat.qc.runs('D:/study/bids', 'raw')。

6.3 Preprocessing

用 SPM 预处理 BIDS 数据集中的每个 BOLD run，把可直接分析的数据写到 derivatives/seecat。每个 run 是一个单元；它的 T1 像（有 session 时优先同一 session）用于配准和分割。

处理步骤

1. 输入。把 run 和它的 T1 复制到工作文件夹，并去掉开头信号未稳定的帧：dummy_scans = auto 时，在前 20 帧中，全脑平均信号相对整个 run 的中位数和 MAD 为稳健离群值（z > 3.5）的开头连续帧被去掉；扫描仪已丢弃的帧不会重复计算。
2. 层间时间校正（SPM）。各层采集时间取自 sidecar 中的 SliceTiming（秒），因此顺序、隔层和多带采集都能正确处理；除非另行设置，参考时刻为 TR 的中点。层时间按 SliceEncodingDirection 解读（缺省为 k；k- 会反转为体素顺序）。层沿第一或第二体素轴（i、j）的数据不受支持，运行会报错停止；请先调整图像方向，或关闭层间时间校正。
3. 头动校正（SPM）。两轮：先对齐到第一帧，再对齐到平均像。六个头动参数写入混杂变量表；数据在这一步不重采样。
4. 配准。用归一化互信息把 T1 配准到平均 EPI（只修改其头信息）。
5. 分割。用 SPM 组织概率图对 T1 做统一分割，得到个体空间的灰质、白质、脑脊液图，偏场校正后的 T1，以及到 IXI549Space 的形变场。没有 T1 时（normalise.method = epi）改为分割平均 EPI。
6. 干扰信号 mask。在被试自身空间中取白质（p > 0.99）和脑脊液（p > 0.95）mask，用 2 mm 的球腐蚀，使其远离灰质；再重采样到输出网格。
7. 标准化。把形变场一次性应用到 BOLD 数据（4 阶 B 样条，这是数据唯一的一次重采样）和组织图上，按所选体素大小写在 SPM 边界框内。
8. 输出空间的 mask：脑 = 灰质 + 白质 + 脑脊液 > 0.5，且每一帧都在视野内。
9. 混杂变量。与 fMRIPrep 同名的列：24 个头动回归量（6 个参数及其导数和平方；Friston 1996），帧间位移（Power 2012），全脑（global_signal）、白质和脑脊液的平均信号，白质和脑脊液的 aCompCor 成分（在好的帧上计算），每个被标记的帧一个 motion_outlier_XX 列，以及 censor 列。
10. IQM（可选，默认开启）：原始 BOLD 和 T1 的 MRIQC 图像质量指标，见 6.5 节。
11. 去噪。每个体素一个线性模型：多项式趋势（1 阶）加上所选回归量，数据和回归量用同一个滤波器带通，在好的帧上拟合。高头动帧先用好的帧插值填补（频谱插值），避免滤波把尖峰扩散出去；拟合时不使用它们，并为后续步骤做标记。最后把体素均值加回。输出：desc-denoised。
12. 平滑（可选）：所选 FWHM 的高斯核；输出 desc-denoisedSm6。未平滑的序列保留。
13. 写出结果，并为每个 run 生成 QC 报告；全部 run 完成后生成组报告和剔除列表。

输入选项

预处理选项

VBM 选项

干扰信号 mask 选项

去噪、剔除、平滑和质量控制选项见 6.12、6.13 节；输出、选择和运行选项见 6.15 节。

输出文件

derivatives/seecat/
  dataset_description.json
  sub-01/
    anat/  sub-01_desc-preproc_T1w.nii             偏场校正后的 T1（已配准到 EPI）
           sub-01_label-GM|WM|CSF_probseg.nii       个体空间组织图（sidecar 中有各组织体积 mL 和 TIV）
           sub-01_from-T1w_to-IXI549Space_mode-image_xfm.nii   形变场
           sub-01_space-IXI549Space_res-1p5_label-GM_desc-modulated_probseg.nii      VBM（vbm.enable）
           sub-01_space-IXI549Space_res-1p5_label-GM_desc-modulatedSm8_probseg.nii   VBM，平滑后
    func/  sub-01_task-rest_space-IXI549Space_res-3_desc-preproc_bold.nii      标准化后、未去噪
           sub-01_task-rest_space-IXI549Space_res-3_desc-denoised_bold.nii     Seed FC、Degree、Gradients 的输入
           sub-01_task-rest_space-IXI549Space_res-3_desc-denoisedSm6_bold.nii  平滑副本
           sub-01_task-rest_space-IXI549Space_res-3_desc-brain_mask.nii
           sub-01_task-rest_desc-confounds_timeseries.tsv（及 .json）
    sub-01_task-rest_desc-qc_report.html、sub-01_task-rest_desc-qc_metrics.json、figures/
  reports/  prep_qc.html、prep_qc.tsv、qc_exclusions.tsv、anat_volumes.tsv、prep_<时间>_summary.tsv
  logs/

输入是压缩格式时输出为 .nii.gz，否则为 .nii。工作文件位于输出文件夹旁的 seecat_work，单元成功后删除（除非勾选 Keep work files）。

6.4 fMRIPrep denoising

用于已经过 fMRIPrep 预处理的数据。对所选空间中的每个 BOLD run，读取 *_desc-preproc_bold、它的脑 mask 和混杂变量表，去掉 fMRIPrep 标记的非稳态帧，用 SeeCAT 自己的规则替换 fMRIPrep 的头动离群列（所有输入使用同一个 FD 规则），然后按与 Preprocessing 完全相同的方式去噪、剔除和平滑。输出文件名也相同，因此 Seed FC、Degree、Gradients 和 Statistics 的用法不变。这里不计算 IQM（fMRIPrep 的输出中没有原始数据）；头动、覆盖率和配准检查照常进行（如果存在 fMRIPrep 在输出空间的组织图，配准检查会使用它们）。

aCompCor 取 fMRIPrep 混杂表中前 n 个 c_comp_cor/w_comp_cor 列；较早版本的 fMRIPrep 只写出 a_comp_cor_*，此时需要在配置文件中按列名列出（denoise.regressors）。

6.5 质量控制

质量控制在 Preprocessing 和 fMRIPrep denoising 中自动完成；QC reports 页用于查看结果并决定使用哪些 run。

单个 run 的报告

每个 run 有一个 sub-*/…_desc-qc_report.html，内容包括：

• 概要：帧数、去掉的帧、平均和最大 FD、被标记的帧、保留的分钟数、tSNR、去噪前后 FD 与 DVARS 的相关（去噪效果好时接近 0）、最大平动和转动、覆盖率；
• 头动：FD 随时间的变化（标出阈值和被标记的帧）、平动和转动曲线；
• 去噪前后的 DVARS；
• 去噪前后的 carpet 图（Power 2017），体素按灰质、白质、脑脊液排列；
• 配准与覆盖：叠加模板灰质轮廓和脑 mask 的标准化平均 EPI，以及配准指标；
• 用于提取干扰信号的白质和脑脊液 mask；
• 图像质量指标（MRIQC）。

图像质量指标（IQM）

开启 qc.iqm（默认）时，Preprocessing 复用自己的分割、头动校正和配准结果，在原始数据上计算 MRIQC（Esteban et al. 2017）的指标：BOLD 用去掉前几帧、经头动校正、未做层间时间校正的 run；T1 用其偏场校正图和个体空间组织图。基于公式的指标与 MRIQC 自身函数在相同输入上的结果一致；头部、空气和脑区 mask 由 SeeCAT 自己生成，因此绝对值可能与实际运行 MRIQC 的结果有出入。请在同一数据集、同一中心内比较各 run。

配准指标

覆盖率

每一帧都在视野内的模板脑比例，包括总体，以及分别计算的脑顶部（z > 50 mm）和底部（z < −30 mm：小脑和颞极）。覆盖率低说明部分脑区没有扫到。

剔除规则与警告

所有 run 完成后，组报告（reports/prep_qc.html）写出 reports/qc_exclusions.tsv。满足以下任一条件的 run 建议剔除：

以下只给警告、不剔除：平均 FD 超过 0.25 mm；脑底部覆盖率低于 80%；某个 IQM 或配准指标在本中心内的稳健 z 值（距中位数多少个 MAD）朝坏的方向超过 3。中心取自 participants.tsv 的 site 列；没有该列，或某中心少于 5 个 run 时，以整个数据集为参照。T1 像单独一行，只有警告。

QC reports 页

选择 derivatives 文件夹后，表格列出每个 run 和 T1 像，及其中心、平均 FD、最大平动和转动、覆盖率、脑区 Dice、灰质与 TPM 的相关、保留的分钟数、tSNR、T1 CNR、剔除原因和警告。勾选或取消 Exclude，填写 Note，再点 Save decisions。你修改过的行标记为你的决定，重新运行预处理后仍会保留。Group report 和 Run report 打开对应的 HTML 报告。

剔除列表是一个普通表格：

id                        kind  exclude  reasons            warnings              decision  note
sub-PKUHC0001_task-rest   bold  1        mean FD > 0.5 mm                         auto
sub-SCUMDD0003_task-rest  bold  0                           mean FD > 0.25 mm     user      checked carpet plot
sub-CSUHC0002_T1w         T1w   0                           cnr outlier           auto

后续步骤按标识一次采集的实体（sub、ses、task、acq、ce、rec、dir、run、echo）把文件与该列表对应起来，因此由被剔除 run 得到的所有图，以及被剔除 T1 的 VBM 图，都不会参与分析。修改列表不会让已完成的单元重新计算。

6.6 Seed FC

基于种子点的功能连接。对每个 run 和每个种子点，计算种子点体素（脑 mask 内，使用剔除后保留的帧）的平均信号与每个体素的相关，写出 Pearson r 图和 Fisher z 图（z = atanh r）。Harmonize 和 Statistics 请使用 z 图。

种子点

• 球形：MNI 毫米坐标的中心（x y z）和半径；中心周围半径内的体素。例：PCC 0 -53 26，mPFC 0 52 -6，左侧运动皮层 -38 -22 56。
• Mask：MNI 空间的 NIfTI 图像（任意体素大小，大于 0 的体素即种子点），以最近邻方式重采样到数据。Add mask files 为每个选中的文件添加一行，并以文件名命名。

名称只能是字母和数字，会成为输出图的 desc。

输出文件

sub-01/func/sub-01_task-rest_space-IXI549Space_res-3_desc-PCC_stat-r_connectivity.nii.gz（及 .json）
sub-01/func/sub-01_task-rest_space-IXI549Space_res-3_desc-PCC_stat-z_connectivity.nii.gz（及 .json）

sidecar 记录种子点（中心和半径，或文件）、输入序列和使用的帧。

cfg = seecat.config('fc');
cfg.input_dir = 'D:/study/bids/derivatives/seecat';
cfg.seeds = struct('name', {'PCC', 'Amygdala'}, 'center', {[0 -53 26], []}, ...
                   'radius', {6, []}, 'file', {'', 'D:/masks/amygdala_L.nii'});
seecat.run(cfg);

6.7 Degree

体素水平的度中心性。mask 中的每个体素都是该 run 相关网络（使用剔除后保留的帧）的一个节点。体素的二值度是相关达到阈值的连接数；加权度（强度）是这些连接 r 值之和。与 SeeCAT 1.0 的定义相同：由 z 分数化后的序列计算相关，按正负规则处理（absolute 取 |r|，negative 取 −r），低于阈值的置 0。可选择忽略短于某距离的连接，或按距离分段（短程和长程度中心性）。结果图以原始值和 mask 内 z 分数两种形式写出，可选再平滑（网络由未平滑的数据构建）。

输出文件

…_desc-degPosBinR0p2_stat-raw_connectivity.nii.gz      二值度，正相关 r ≥ 0.2
…_desc-degPosBinR0p2_stat-z_connectivity.nii.gz        同上，mask 内 z 分数
…_desc-degPosWeiR0p2Sm6_stat-z_connectivity.nii.gz     强度，z 分数，6 mm 平滑
…_desc-degPosBinR0p2D0to75_stat-raw_connectivity.nii.gz  距离分段 [0 75 Inf]

时间和内存随体素数的平方增长：3 mm 时灰质约 5 万个体素，每个 run 几秒到一分钟；2 mm 时体素数是其 3.4 倍，计算量超过 10 倍。

6.8 Gradients

连接梯度（Margulies et al. 2016）：连接模式在皮层上变化的主要轴线，第一梯度通常从感觉运动皮层延伸到默认网络。对每个 run：

1. 节点信号：每个节点（更粗的 MNI 网格中的体素，或图谱分区）内该 run 脑 mask 体素的平均，使用剔除后保留的帧；
2. 连接矩阵：节点间的 Pearson r；
3. 每行只保留最强的 10%（稀疏度 0.9），其余置 0；
4. 行与行之间的亲和度：归一化角度（余弦相似度对应夹角的 1 − 角度/π）或余弦；
5. 扩散映射嵌入，α = 0.5（Coifman & Lafon 2006），多尺度特征值 λ/(1−λ)，与 BrainSpace（Vos de Wael et al. 2020）相同；

然后对齐各 run（广义 Procrustes：通过旋转和翻转对齐到参考，再把参考更新为平均，最多 10 轮），首次参考为组平均连接矩阵的梯度（默认）或第一个 run 的梯度。SeeCAT 求解的是该问题的对称形式，得到的嵌入是精确的扩散映射。

节点的选择

时间在 32 核台式机、200 帧的 run 上测得。SeeCAT 开始前会检查空闲内存，不够时停下并给出建议。图谱（如 Schaefer 400）速度快，每个分区一个值，另以表格写出。

输出文件

sub-01/func/…_desc-grad1Vox4_connectivity.nii.gz   该 run 对齐后的梯度 1（2、3 …… 直到 Maps written）
group/gradientsVox4/gradientsVox4_desc-grad1_reference.nii    最终参考（对齐后各 run 的平均）
group/gradientsVox4/gradientsVox4_desc-grad1_groupmatrix.nii  组平均矩阵的梯度
group/gradientsVox4/gradientsVox4_lambdas.tsv     每个 run 的特征值、解释的方差、与参考的相关

6.9 Harmonize

多中心研究的每张图都带有中心和扫描仪差异。Harmonize 在计算指标（Seed FC、Degree、Gradients、VBM）之后、统计之前，从被试图中去除这些差异，同时保留你要检验的效应。校正后的图写在原图旁边，desc 标签加上后缀（desc-PCC → desc-PCCComBat）。

方法

各种 ComBat 的结果与 neuroCombat 一致。可以指定一个参考中心保持不变，其他中心向它校正。之后要检验的效应都必须列在要保留的协变量中；否则，在其中心间分布不同的部分，会和中心效应一起被去掉。日志和 group/harmonize<label>_<maps>_<hash>/…_report.json（hash 用于区分不同的图选择）给出校正前后存在中心效应（F 检验 p < 0.05，控制保留的效应）的体素比例。

6.10 Statistics

对被试图做组统计：逐体素一般线性模型、对比和多重比较校正。模型、平滑度估计和随机场理论都与 SPM 一致，因此同一模型的结果与 SPM 结果表相同。

设计

协变量会去均值；文本协变量转为去均值的哑变量列。Variance 为 unequal（anova1_rm 的默认）时，与 SPM 一样用 ReML 估计非球形性。

多重比较校正

• cluster_fwe（默认）：超过团块形成阈值 p（0.001）的体素组成团块，按随机场理论，团块大小的 FWE p < alpha 时保留。
• voxel_fwe：FWE p < alpha 的体素（随机场理论）。
• voxel_fdr：错误发现率 < alpha 的体素（Benjamini–Hochberg）。
• tfce_fwe：无阈值团块增强（Smith & Nichols 2009；E = 0.5，H = 2，26 邻接），体素 FWE p 由置换检验得到（Freedman–Lane：单样本为符号翻转，配对设计为被试内交换，其他为行置换），与 FSL randomise 相同。并行 worker 分担置换计算。

勾选 Two-tailed（默认）时，每对 t 对比中的每一个以 alpha/2 检验。被 QC 剔除的图不参与分析；因缺少 participants.tsv 行或缺失值而去掉的图都会在日志中列出。

输出文件

group/<name>/
  <name>_design.tsv                                    被试图和设计列
  <name>_desc-mask_mask.nii.gz                         检验的体素
  <name>_contrast-<c>_stat-t_statmap.nii.gz          T（或 F）图，sidecar 中有自由度和平滑度
  <name>_contrast-<c>_stat-z_statmap.nii.gz          相同 p 值对应的 Z
  <name>_contrast-<c>_stat-p_statmap.nii.gz          −log10 p
  <name>_contrast-<c>_stat-effect_statmap.nii.gz     对比估计值
  <name>_contrast-<c>_desc-clusterFWE_stat-t_statmap.nii.gz   阈值化后的图
  <name>_contrast-<c>_desc-clusterFWE_dseg.nii.gz             保留的团块，带编号
  <name>_contrast-<c>_desc-clusterFWE_clusters.tsv            团块表（SPM 风格）
  <name>_contrast-<c>_desc-tfce_stat-tfce_statmap.nii.gz     TFCE 值（tfce_fwe）
  <name>_contrast-<c>_desc-tfceFWE_stat-p_statmap.nii.gz     −log10 FWE p（tfce_fwe）
  <name>_report.json

团块表中每个团块给出大小、FWE 和未校正的团块 p，以及最多 3 个相距 8 mm 以上的峰值点的统计量、Z、峰值 p 和 MNI 坐标。

6.11 Viewer

查看器可在 MNI 脑上显示任意 NIfTI 图像：SeeCAT 的统计图、种子点图、度中心性图、梯度图、VBM 图，或四维 BOLD 序列。

• 布局：Orthogonal（三个视图和光标信息）、Single（一个大视图和三个缩略图）、Mosaic（同一方向的多张切片）。
• 底图：按图的空间自动选择（IXI549Space 用 ch2，MNI152NLin2009cAsym 用 ICBM152 2009c），也可从下拉框选择。
• 阈值：按数值或按 p 值。对 SeeCAT 的统计图（以及头信息中有自由度的 SPM 风格统计图），p 阈值可以做校正（cluster FWE、voxel FWE、voxel FDR），使用与 Statistics 相同的代码，因此查看器与统计结果一致。还可设置方向（+、−、±）、最小团块大小、颜色和不透明度。
• 团块：团块表列出峰值和图谱标签（SPM 自带的 Neuromorphometrics；安装 BrainNet Viewer 后还有 AAL 和 Brodmann）；点击某行，光标移到该处。Export TSV 保存团块表。
• 时间序列：对四维序列，显示光标处体素的信号以及 FD 和被标记的帧；滑块和 Play 逐帧浏览。
• Save image 把当前视图存为 PNG；Save map 把阈值化后的图存为 NIfTI；Surface 在 BrainNet Viewer 中把图显示到皮层上。
• Neuro / Radio：左脑显示在左边，或在右边。

seecat.viewer('group/PCConeSampleHC/PCConeSampleHC_contrast-pos_stat-t_statmap.nii.gz')

6.12 共用选项：去噪、剔除与平滑

以下选项在 Preprocessing 和 fMRIPrep denoising 中相同。

6.13 共用选项：质量控制

6.14 共用选项：run 的选择

处理 run 的页面都可以按被试、session、任务和 run 选择数据。Seed FC、Degree、Gradients、Harmonize 和 Statistics 还会排除质量控制剔除的数据：

6.15 共用选项：输出与运行

7 实例

本章完整运行一个研究，并用真实结果说明 SeeCAT 的输出。本手册的所有截图都来自这些运行。运行用的脚本见第 8.2 节；各配置也可以在界面中用 Load 载入。

7.1 示例数据

一个多中心抑郁症研究的公开测试子集：来自三个中心（CSU、PKU、SCU）的 30 名被试，每个中心 5 名健康对照（HC）和 5 名重性抑郁障碍患者（MDD）。每名被试有一幅 T1 加权像和一次静息态扫描（TR 2 s）。三个中心的文件夹已合并为一个 BIDS 数据集，并附有 participants.tsv：

participant_id   site   group   age   sex
sub-CSUHC0001    CSU    HC      28    M
sub-CSUHC0002    CSU    HC      34    M
…

所有步骤都使用 n_workers = 'auto'，在一台 32 核、约 200 GB 可用内存的工作站上运行。输出写入 manual_run/derivatives/seecat。

7.2 实例 A：默认网络的种子点功能连接

从 BIDS 数据得到后扣带回（PCC）连接的组水平图，并比较两组。

A1. 检查数据

在 Data check 页选择 BIDS 文件夹并按 Scan。表中列出 30 个 run，每名被试一个，并给出各自的帧数和 TR（第 6.2 节）。没有缺失，可以开始预处理。

A2. 预处理

在 Preprocessing 页：BIDS folder 设为 bids2，Output folder 设为 manual_run/derivatives/seecat，勾选 VBM maps（供实例 B 使用），Parallel workers 设为 auto；其余选项保持默认。按 Run。

Parallel workers (auto): about 5.5 GB per worker (4.5 GB task + 1 GB worker), 0.5 GB kept by the main MATLAB,
    206.4 GB free: 30 worker(s) (32 cores, 30 task(s))
Parallel pool: A pool of 30 workers did not start (…). Started 15 workers instead.
QC: …/derivatives/seecat/reports/prep_qc.html
Tissue volumes: …/derivatives/seecat/reports/anat_volumes.tsv
Done: 30 ok, 0 skipped, 0 failed.

按内存估算可以用 30 个 worker。Windows 无法一次启动这么多，SeeCAT 于是减半重试，并在日志中注明。30 个 run 共用时约 19 分钟。

A3. 检查质量

组报告 reports/prep_qc.html（图见第 6.5 节）建议剔除 4 个 run：

另有一些 run 有警告，但予以保留。例如：

• sub-PKUHC0001：DVARS 和 AQI 离群，与 TPM 的灰质相关偏低（0.637，全研究最低）。决定前请打开它的 run 报告，查看 carpet 图和配准。
• sub-PKUMDD0005：平均 FD 0.281 mm，超过 0.25 mm 的警告线，但保留的干净数据足够。
• sub-SCUHC0001：FBER 离群。它的 run 报告（图见第 6.5 节）显示扫描约 2.5 分钟处有一次头动，其附近被删除的 6 帧以阴影标出。

所有 run 的脑 mask 与模板的 Dice 在 0.956–0.984 之间，没有配准失败。这里保持建议不变。QC reports 页显示同一列表，可在下一步之前修改任一决定。

之后的每一步都会读取剔除列表，并在日志中写明略去了哪些 run：

Left out by QC (reports/qc_exclusions.tsv): sub-CSUHC0004_task-rest, sub-CSUHC0005_task-rest,
    sub-CSUMDD0004_task-rest, sub-PKUMDD0002_task-rest

剩下 26 个 run：HC 13 人（CSU 3、PKU 5、SCU 5），MDD 13 人（CSU 4、PKU 4、SCU 5）。

A4. Seed FC

在 Seed FC 页添加两个半径 6 mm 的球：PCC 位于 (0, −53, 26)，mPFC 位于 (0, 52, −6)。26 个 run 用时 7 秒。每个 run 得到 r 图和 Fisher z 图：

sub-SCUHC0001_task-rest_space-IXI549Space_res-3_desc-PCC_stat-z_connectivity.nii.gz
sub-SCUHC0001_task-rest_space-IXI549Space_res-3_desc-mPFC_stat-z_connectivity.nii.gz

A5. 多中心校正

在 Harmonize 页：Map 为 PCC，Statistic 为 z，Site column 为 site，Method 为 combat，Covariates kept 为 group, sex, age。

[harmonizeComBat_PCCz_3821b739] 26 maps, 45150 voxels, 3 sites (CSU: 7, PKU: 9, SCU: 10)
[harmonizeComBat_PCCz_3821b739] kept effects: group_MDD, sex_M, age
[harmonizeComBat_PCCz_3821b739] voxels with a site effect (p < 0.05): 9.9% before, 0.1% after

校正前，9.9% 的灰质体素存在中心效应，约为随机预期 5% 的两倍；ComBat 之后为 0.1%。新的图命名为 desc-PCCComBat。中心这么小时，SeeCAT 还会在日志中给出第 6.9 节所述的小样本警告。这里功能连接图仍使用 ComBat；实例 B 说明何时这一点会产生影响。

A6. 健康对照组的单样本检验

13 名对照的 PCC 连接是否大于 0？在 Statistics 页：Name 为 PCConeSampleHC，Map 为 PCCComBat，Statistic 为 z，Design 为 one_sample，Subjects 填 13 名 HC 的标签，Correction 选 cluster_fwe 和 tfce_fwe。

[PCConeSampleHC] 13 maps, 45150 voxels in the analysis mask
[PCConeSampleHC] df 12.00; FWHM [6.31 6.48 7.38] mm; resels 2812.9
[PCConeSampleHC] TFCE: 5000 permutations (flip), 2 contrast(s), 16 worker(s), 93 s
[PCConeSampleHC] pos, cluster_fwe: height 3.930, 12 cluster(s) / 1705 voxel(s) survive
[PCConeSampleHC] pos, tfce_fwe: height 2.780, 33 cluster(s) / 3867 voxel(s) survive
[PCConeSampleHC] neg, cluster_fwe: height 3.930, 6 cluster(s) / 140 voxel(s) survive
[PCConeSampleHC] neg, tfce_fwe: height 6.340, 4 cluster(s) / 7 voxel(s) survive

自由度为 12 时，成簇阈值 p < 0.001 对应 t ≥ 3.93。最大的几个正簇正是默认网络：

TFCE 找到同一网络，范围更大（3867 个体素）。它的 height 是存活的最小 t 值（2.78），因此低于成簇阈值。在簇文件中，体素数为 n/a 的行是上一行所在簇的其他峰值（如 PCC 簇中的 −9, −69, 27 和 3, −63, 39）。在查看器中打开结果（图见第 6.11 节）：设为 p 0.001、cluster FWE、双侧时，查看器显示同样的 18 个簇（12 个正、6 个负；1845 个体素）。

A7. 两样本检验：HC 对比 MDD

Name 为 PCCtwoSample，Design 为 two_sample，Factor 为 group，Levels 为 HC, MDD，Covariates 为 age, sex。

[PCCtwoSample] 26 maps, 45150 voxels in the analysis mask
[PCCtwoSample] df 22.00; FWHM [6.09 6.23 7.18] mm; resels 3115.0
[PCCtwoSample] HCgtMDD, cluster_fwe: height 3.505, 0 cluster(s) / 0 voxel(s) survive
[PCCtwoSample] MDDgtHC, cluster_fwe: height 3.505, 0 cluster(s) / 0 voxel(s) survive

两个方向都没有存活的簇。每组 13 人，这在意料之中，并不说明两组的连接相同。未阈值化的 t 图（…_contrast-HCgtMDD_stat-t_statmap）仍可在查看器中显示，或用于规划更大样本的研究。

7.3 实例 B：灰质体积与年龄（VBM）

由于 A2 中勾选了 VBM maps，每幅 T1 已有 MNI 空间（1.5 mm）、经 8 mm 平滑的调制灰质图：

sub-SCUHC0001_space-IXI549Space_res-1p5_label-GM_desc-modulatedSm8_probseg.nii

每名被试的颅内总体积在 reports/anat_volumes.tsv 中。Statistics 和 Harmonize 会自动把它读作 tiv_ml 列。QC 剔除针对的是 fMRI run，因此这里使用全部 30 幅 T1。

B1. 对年龄的回归

在 Statistics 页：Name 为 VBMage，Map 为 modulatedSm8，Label 为 GM，Suffix 为 probseg，Design 为 regression，Regressors 为 age，Covariates 为 sex, tiv_ml, site，Mask 为 gm。

[VBMage] 30 maps, 414177 voxels in the analysis mask
[VBMage] df 24.00; FWHM [11.43 11.81 11.25] mm; resels 797.0
[VBMage] agepos, cluster_fwe: height 3.467, 0 cluster(s) / 0 voxel(s) survive
[VBMage] ageneg, cluster_fwe: height 3.467, 0 cluster(s) / 0 voxel(s) survive

site 列是文本，因此以两个指示变量进入模型。截距、年龄、性别、TIV 和中心共 6 列，剩下 30 − 6 = 24 个自由度。年龄是随机生成的，没有效应才是正确结果。

B2. 这里为什么不用 ComBat

VBM 的中心差异很大：校正前 49.8% 的灰质体素存在中心效应（保留组别、性别、年龄和 TIV 的 ComBat 之后为 0.2%）。先做校正看起来很自然。我们在每种处理之后都做了同样的回归：

年龄效应并不存在，所以 ComBat 后出现的簇是假阳性。ComBat 仅用每个中心的 10 名被试来重新缩放该中心的残差方差。这使校正后的数据看起来比实际变异更小，对保留协变量的检验因而偏于宽松（Nygaard et al. 2016）。只去除中心均值的方法没有这个问题。每个中心少于约 20 人时：

• 使用 combat_mean 或 lm，或不做校正而把中心作为协变量；
• 报告任何 ComBat 结果前，先与未校正的结果对照。

SeeCAT 会在 Harmonize 的日志和报告中给出这一警告。

7.4 实例 C：度中心性与梯度

C1. Degree

Degree 使用默认设置：灰质 mask，r > 0.2 的正相关，二值和加权度中心性，同时输出 z 分数图，6 mm 平滑。

Parallel workers (auto): about 3.9 GB per worker (2.9 GB task + 1 GB worker), …: 26 worker(s)
Done: 26 ok, 0 skipped, 0 failed.

26 个 run 用时约 2 分钟。每个 run 得到四种图，每种都有原始值和 z 分数两个版本：

…_desc-degPosBinR0p2_stat-z_connectivity.nii.gz        二值，未平滑
…_desc-degPosWeiR0p2Sm6_stat-z_connectivity.nii.gz     加权，平滑：统计时的常用选择

对 degPosWeiR0p2Sm6 z 做校正（保留组别、性别和年龄）后，存在中心效应的体素从 17.2% 降到 0.0%。这里度中心性比种子点连接更依赖中心，可能是因为它概括了整个连接分布，而后者受噪声和平滑度的影响。

C2. Gradients

Gradients 使用默认设置：Nodes 为 voxels，Node size 为 4 mm（单元因此名为 gradientsVox4），10 个成分、输出 3 张图，Alignment 为 group。

Parallel workers (auto): about 8.2 GB per worker (7.2 GB task + 1 GB worker), 7.7 GB kept by the main MATLAB,
    187.4 GB free: 18 worker(s) (32 cores, 26 task(s))
[gradientsVox4] 26 run(s), 21972 nodes (Vox4); about 7.2 GB of memory per run being computed
[gradientsVox4] node series done; 19564 of 21972 nodes have data in every run
[gradientsVox4] gradients of 26 run(s) in 413 s (15 worker(s))
[gradientsVox4] finished (472.0 s)

每个 run 都需要一个 21972 × 21972 的连接矩阵，因此 worker 数（18）由内存而非核数决定。参考梯度是组平均矩阵的梯度。每个 run 先对齐到参考，再用对齐后各 run 的平均作为新参考，如此迭代，直到参考不再变化。

group/gradientsVox4/gradientsVox4_lambdas.tsv 按 run 给出：

• 特征值；
• 梯度 1 解释的方差：0.18–0.31，中位数 0.24；
• 对齐后的梯度 1 与参考的相关：0.43–0.69，中位数 0.58。

若某个 run 的相关明显低于其他 run，值得查看它的 QC 报告。各 run 的图（desc-grad1Vox4 … grad3Vox4）可以像其他图一样做校正和统计。

7.5 整个研究的用时

8 批处理脚本

窗口中的所有功能都可以用 MATLAB 代码调用。每个流程由一个结构体配置，交给 seecat.run 运行；窗口的 Save 按钮保存的就是这个结构体（JSON 格式）。

8.1 函数

8.2 一个完整的研究

第 7 章各实例的脚本汇总在一个文件里。每个 seecat.run 都可以单独运行；再次运行时已完成的单元会跳过。

bids = 'D:/data/test_seecat/DIDA/bids2';
out  = 'D:/data/test_seecat/DIDA/manual_run/derivatives/seecat';

% 1. 预处理，计算图像质量指标并输出 VBM 图
cfg = seecat.config('prep');
cfg.bids_dir   = bids;
cfg.output_dir = out;
cfg.vbm.enable = true;
cfg.n_workers  = 'auto';
seecat.run(cfg);
% ……查看 reports/prep_qc.html 和 QC reports 页……

% 2. 种子点功能连接
cfg = seecat.config('fc');
cfg.input_dir = out;
cfg.seeds = struct('name', {'PCC', 'mPFC'}, 'center', {[0 -53 26], [0 52 -6]}, ...
                   'radius', {6, 6}, 'file', {'', ''});
cfg.n_workers = 'auto';
seecat.run(cfg);

% 3. 度中心性和梯度
cfg = seecat.config('degree');   cfg.input_dir = out;   cfg.n_workers = 'auto';   seecat.run(cfg);
cfg = seecat.config('gradient'); cfg.input_dir = out;   cfg.n_workers = 'auto';   seecat.run(cfg);

% 4. 对三个中心的 PCC 图做多中心校正
cfg = seecat.config('harmonize');
cfg.input_dir  = out;
cfg.maps       = struct('desc', 'PCC', 'stat', 'z');
cfg.site       = 'site';
cfg.covariates = {'group', 'sex', 'age'};
seecat.run(cfg);                                  % 写出 desc-PCCComBat 图

% 5. HC 组内单样本 t 检验，加 TFCE
P  = seecat.io.read_tsv(fullfile(bids, 'participants.tsv'));
hc = erase(P.participant_id(strcmp(P.group, 'HC')), 'sub-')';
cfg = seecat.config('stat');
cfg.name      = 'PCConeSampleHC';
cfg.input_dir = out;
cfg.maps      = struct('desc', 'PCCComBat', 'stat', 'z');
cfg.design    = 'one_sample';
cfg.subjects  = hc;
cfg.inference = {'cluster_fwe', 'tfce_fwe'};
cfg.n_workers = 'auto';
seecat.run(cfg);

% 6. VBM：灰质与年龄；使用未校正的图，中心作为协变量
cfg = seecat.config('stat');
cfg.name       = 'VBMage';
cfg.input_dir  = out;
cfg.maps       = struct('desc', 'modulatedSm8', 'label', 'GM', 'suffix', 'probseg');
cfg.design     = 'regression';
cfg.regressors = {'age'};
cfg.covariates = {'sex', 'tiv_ml', 'site'};
cfg.mask       = 'gm';
seecat.run(cfg);

seecat.viewer(fullfile(out, 'group', 'PCConeSampleHC', 'PCConeSampleHC_contrast-pos_stat-t_statmap.nii.gz'));

8.3 配置文件

配置文件就是 JSON 格式的结构体。只需写出修改过的选项，其他取默认值。含 Inf 的数值以文本保存（"[0 75 Inf]"），读回时还原为数值。

{
  "pipeline": "stat",
  "name": "PCCtwoSample",
  "input_dir": "D:/data/test_seecat/DIDA/manual_run/derivatives/seecat",
  "maps": {"desc": "PCCComBat", "stat": "z"},
  "design": "two_sample",
  "factor": "group",
  "levels": ["HC", "MDD"],
  "covariates": ["age", "sex"]
}

依次运行多个配置：

for f = {'prep.json', 'fc.json', 'harmonize.json', 'stat.json'}
    seecat.run(fullfile('D:/study/configs', f{1}));
end

8.4 在服务器上运行

没有图形界面时，用 -batch 启动 MATLAB：

matlab -batch "addpath('/opt/spm'); addpath('/opt/SeeCAT/SeeCAT'); seecat.run('/data/configs/prep.json')"

日志在运行过程中实时写出（<输出文件夹>/logs），可以用 tail -f 查看进度。

9 输出文件总览

9.1 derivatives 文件夹

derivatives/seecat/
  dataset_description.json                 记录来源数据集（SourceDatasets）
  sub-<label>/[ses-<label>/]
    anat/                                  T1 的输出（Preprocessing）
    func/                                  run 的输出和被试图（所有流程）
    sub-<label>_…_desc-qc_report.html      run 报告、qc_metrics.json、figures/
  group/
    <name>/                                Statistics
    harmonize<label>_<maps>/                      Harmonize：maps.tsv、report.json
    gradients<nodes>/                      Gradients：参考梯度图、lambdas.tsv
  reports/
    prep_qc.html、prep_qc.tsv              组 QC（或 fmriprep_qc.*）
    qc_exclusions.tsv                      剔除列表
    anat_volumes.tsv                       每个 T1 的 GM、WM、CSF、TIV
    <pipeline>_<时间>_summary.tsv          每次运行一个
  logs/
    <pipeline>_<时间>.log、_config.json    主日志和所用配置
    <pipeline>_<时间>/<unit>.log           每个单元一个日志
    done/                                  已完成的单元及其设置（用于跳过）
    outputs/                               每个单元写出的文件清单
seecat_work/                               工作文件（在输出文件夹旁边）

9.2 文件名

9.3 混杂变量表

9.4 JSON sidecar

每个图像的 sidecar 记录它是如何生成的。通用字段：Sources（来源文件：各 run 的输出用 BIDS URI，如 bids:raw:sub-01/func/…；Harmonize 和 Statistics 列出输入图的路径）、Software；以及各步骤特有的字段，例如 FramesUsed、FramesTotal、Seed（Seed FC）；Threshold、Sign、Measure（Degree）；Lambdas、VarianceExplained、Alignment（Gradients）；Harmonization、Site、KeptEffects（Harmonize）；DegreesOfFreedom、FWHMmm、Resels、Contrast、Inference（Statistics）。

10 性能、内存与常见问题

10.1 时间与内存

设置 n_workers = auto 时，SeeCAT 根据这些估算和空闲内存决定 worker 数，并写在日志中。

10.2 常见问题

有一个被试失败了，需要全部重跑吗？

不需要。用同样的配置再运行一次：已完成的被试会跳过，失败的被试从中断的步骤继续。原因见该单元的日志（logs/<pipeline>_<时间>/<unit>.log）。

改了一个选项，哪些会重新计算？

结果依赖该选项的所有单元。只改 Parallel workers 或 Keep work files 不会触发重新计算；勾选 Overwrite 会重新计算所有单元并清空其工作目录。此外，已完成的单元在输入改变、SeeCAT 本身更新，或其某个输出被删除时，也会重新运行，日志会写明原因。输入包括单元读取的每个文件，也包括选项中指定的文件（种子点和 ROI 图像、掩膜、图谱、图像协变量、被试信息表），以及选中的图、被试信息和 QC 剔除或恢复的 run。64 MB 以内的文件按内容比较，更大的文件（BOLD 序列）按大小和修改时间比较。SeeCAT 本身指计算结果的代码和自带模板：更新 SeeCAT 后，已完成的单元会用新代码重新计算。此外的文件（例如另行安装的 SPM）不在跟踪范围内，修改后请勾选 Overwrite。

能否把结果写到输入文件夹，或同时运行两次 SeeCAT？

输出文件夹不能是 BIDS 文件夹或 fMRIPrep 文件夹，SeeCAT 会在写入任何文件之前拒绝。其他情况下，如果某个单元要覆盖自己的输入文件，它会报错停止，并保持该文件不变。两个 SeeCAT 会话可以同时在同一个输出文件夹中处理不同的单元（例如不同被试）；正被另一个会话计算的单元会报错并写明是哪个会话，再次运行同一配置时会计算它。如果 MATLAB 在单元运行时被关闭，同一台电脑上的下一次运行会自动移除它留下的锁（logs/locks/）。

Seed FC 提示找不到 desc-denoised，或找不到任何 run。

确认 derivatives 文件夹是 Preprocessing 或 fMRIPrep denoising 的输出，且开启了 Denoise。如果 run 有多个空间，请设置 Space；有多个任务时请设置 Task。如果所有 run 都被 QC 剔除了，请查看 QC reports 页。

Statistics 提示每个被试有多张图。

被试图字段必须为每个被试恰好选中一张图（配对设计为两张）。补充 Space、Task 或 Other（如 run=1），直到字段下方显示每个被试一张图。

年龄、性别和组别从哪里来？

来自 BIDS 数据集的 participants.tsv（见 3.7 节）。所用列中值为空或 n/a 的被试会被排除在该分析之外，并在日志中列出。

做 Seed FC 前要平滑吗？

默认输入是未平滑的 desc-denoised；如果要与使用平滑数据计算相关的研究保持一致，可选 denoisedSm6。Degree 和 Gradients 应使用未平滑的数据；Degree 会在之后平滑结果图。

为什么要做多中心校正，什么时候不需要？

多个中心或扫描仪的图放在同一分析中、且每个中心有足够的被试时（ComBat 在每个中心 10 人以上时效果最好），应做校正。要检验的效应都必须列在协变量中。只有一个中心时不需要。

论文中如何报告质量控制？

组报告给出剔除规则、被剔除的 run 及原因；reports/qc_exclusions.tsv 和 prep_qc.tsv 包含具体数值。请报告剔除规则、各组和各中心被剔除的 run 数，以及各组的平均 FD。

运行时窗口没有反应。

正常情况下窗口应保持可用：计算在另一个 MATLAB 进程中进行。如果 MATLAB 本身正忙（例如命令窗口中正在执行长时间的命令），窗口会等待它结束。

11 参考文献

• Ashburner J, Friston KJ (2005). Unified segmentation. NeuroImage 26:839–851.
• Behzadi Y, Restom K, Liau J, Liu TT (2007). A component based noise correction method (CompCor) for BOLD and perfusion based fMRI. NeuroImage 37:90–101.
• Buckner RL et al. (2009). Cortical hubs revealed by intrinsic functional connectivity. J Neurosci 29:1860–1873.
• Chen AA et al. (2022). Mitigating site effects in covariance for machine learning in neuroimaging data (CovBat). Hum Brain Mapp 43:1179–1195.
• Coifman RR, Lafon S (2006). Diffusion maps. Appl Comput Harmon Anal 21:5–30.
• Eklund A, Nichols TE, Knutsson H (2016). Cluster failure. PNAS 113:7900–7905.
• Esteban O et al. (2017). MRIQC: advancing the automatic prediction of image quality in MRI from unseen sites. PLoS ONE 12:e0184661.
• Esteban O et al. (2019). fMRIPrep: a robust preprocessing pipeline for functional MRI. Nat Methods 16:111–116.
• Fortin JP et al. (2017). Harmonization of multi-site diffusion tensor imaging data. NeuroImage 161:149–170.
• Fortin JP et al. (2018). Harmonization of cortical thickness measurements across scanners and sites. NeuroImage 167:104–120.
• Freedman D, Lane D (1983). A nonstochastic interpretation of reported significance levels. J Bus Econ Stat 1:292–298.
• Friston KJ et al. (1996). Movement-related effects in fMRI time-series. Magn Reson Med 35:346–355.
• Gorgolewski KJ et al. (2016). The brain imaging data structure. Sci Data 3:160044.
• Hallquist MN, Hwang K, Luna B (2013). The nuisance of nuisance regression. NeuroImage 82:208–225.
• Johnson WE, Li C, Rabinovic A (2007). Adjusting batch effects in microarray expression data using empirical Bayes methods. Biostatistics 8:118–127.
• Li X, Morgan PS, Ashburner J, Smith J, Rorden C (2016). The first step for neuroimaging data analysis: DICOM to NIfTI conversion (dcm2niix). J Neurosci Methods 264:47–56.
• Lindquist MA, Geuter S, Wager TD, Caffo BS (2019). Modular preprocessing pipelines can reintroduce artifacts into fMRI data. Hum Brain Mapp 40:2358–2376.
• Margulies DS et al. (2016). Situating the default-mode network along a principal gradient of macroscale cortical organization. PNAS 113:12574–12579.
• Nichols TE (2013). Notes on creating a standardized version of DVARS. arXiv:1704.01469.
• Nygaard V, Rødland EA, Hovig E (2016). Methods that remove batch effects while retaining group differences may lead to exaggerated confidence in downstream analyses. Biostatistics 17:29–39.
• Parkes L, Fulcher B, Yücel M, Fornito A (2018). An evaluation of the efficacy, reliability, and sensitivity of motion correction strategies for resting-state functional MRI. NeuroImage 171:415–436.
• Pomponio R et al. (2020). Harmonization of large MRI datasets for the analysis of brain imaging patterns throughout the lifespan (ComBat-GAM). NeuroImage 208:116450.
• Power JD et al. (2012). Spurious but systematic correlations in functional connectivity MRI networks arise from subject motion. NeuroImage 59:2142–2154.
• Power JD et al. (2014). Methods to detect, characterize, and remove motion artifact in resting state fMRI. NeuroImage 84:320–341.
• Power JD (2017). A simple but useful way to assess fMRI scan qualities. NeuroImage 154:150–158.
• Smith SM, Nichols TE (2009). Threshold-free cluster enhancement. NeuroImage 44:83–98.
• Vos de Wael R et al. (2020). BrainSpace: a toolbox for the analysis of macroscale gradients in neuroimaging and connectomics datasets. Commun Biol 3:103.
• Worsley KJ et al. (1996). A unified statistical approach for determining significant signals in images of cerebral activation. Hum Brain Mapp 4:58–73.
• Xia M, Wang J, He Y (2013). BrainNet Viewer: a network visualization tool for human brain connectomics. PLoS ONE 8:e68910.
• Zuo XN et al. (2012). Network centrality in the human functional connectome. Cereb Cortex 22:1862–1875.

12 附录

12.1 选项索引

按批处理字段排列的全部流程选项。每个选项的详细说明见第 6 章的表格。

12.2 从 SeeCAT 1.x 迁移