原创作者：xiaole
来源：https://www.douban.com/note/637152103/
在用spm进行影像数据分析的时候，如何解读结果是困扰很多研究者的问题，本文的主要目的就是试图梳理spm结果表中的不同标准及其意义。在实际使用的时候，当然是满足越多越严格的标准越好啦~
先放出spm示例结果镇楼，再逐一进行解析：
本文默认未添加Mask，以全脑为Search Volume；结果解读从右向左：
0. mm mm mm
即为该结果在MNI坐标下的x y z 值，查询此结果对应的脑区可通过耶鲁大学的在线工具：
http://sprout022.sprout.yale.edu/mni2tal/mni2tal.html
1. peak-level
在peak-level栏目中，有p-FWE-corr，q-FDR-corr，T，(Z_)，p-uncorr 五栏，分别代表：
该peak点经过FWE校正的p值
该peak点经过FDR校正的p值
该peak点的T值
该peak点经过Z变换后的T值
该peak点未校正的p值
1.1 p-FWE-corr
在结果图中，左下角FWEp即为 voxel-wise FWE 的标准，通过 FWEp 标准的点代表其可经过利用随机场理论的多重比较校正。
1.2. p<0.05 voxel-wise FDR
在结果图中，左下角FDRp即为 voxel-wise FDR 的标准。这种阈值方法假设Voxel之间是独立的，单一Voxel 满足 voxel-wise FDR 的标准即可，而实际的fMRI数据经过平滑之后，voxel之间是不独立的，因此对于一个激活的脑区来说，用这种voxel-wise FDR校验得到的错误发现率就很高。
1.3 T
无需解释
1.4 (Z_)
无需解释
1.5 p-uncorr
此处即为不校正的结果，一般p<0.001 uncorrected 算是能接受的最低阈值了，低于此阈值的结果只能进行探索性分析。
2. cluster-level
在cluster-level栏目中，有p-FWE-corr，q-FDR-corr，k-E，p-uncorr 四栏，分别代表：
该Cluster经过FWE校正的p值，
该Cluster经过FDR校正的p值，
该Cluster的大小，
该Cluster未校正的p值，
2.1. p-FWE-corr
在结果图中，左下角FWEc即为 cluster-wise FWE 的标准，通过 FWEc 标准的Cluster代表其可经过利用随机场理论的多重比较校正。
2.2. q-FDR-corr
在结果图中，左下角FDRc即为 cluster-wise FDR 的标准，意思即在当前发现中，Cluster Size大于此值才能考虑显著。若结果为FDPc: Inf ，则代表没有结果可以通过 cluster-wise FDR。默认算法是基于高斯随机场理论，认为voxel之间不是独立的，超过T threshold的voxel 构成了一个个cluster，然后对这些cluster进行FDR校验，这样独立单元（原来是voxel总个数，而现在就是cluster的个数）就大大减小了。这种校验的错误发现率是小于0.05的，不论T threshold 设为多大。
在SPM12中，默认 FDR算法为 topological FDR，我目前的理解是 topological 算法既可以进行 voxel-wise FDR 亦可以进行 cluster-wise FDR 的校正。若要改为传统算法，则需要修改 spm_defaults 这个文件，其中 defaults.stats.topoFDR 这个参数默认为1，改成0即切换成了传统算法（voxel-wise，但我不清楚此处的voxel-wise 和我们实际用到的2标准的区别）
2.3 k-E
无需解释
2.4 p-uncorr
无需解释
3. set-level
在set-level栏目中，有p和c两栏，p代表当前结果不是随机出现的概率，c代表当前结果中共有多少个cluster。
个人认为set-level可参考性不大，因为如果是针对全脑进行的分析，这个p值只是告诉你结果不是随机出现的，但并不代表有意义，比如：结果全在脑室部分。
- 表尾信息
大都是一些基本的参数，不再一一叙述，如有不明白的地方可以留言。
以上信息为个人理解，如有错误还请指正。在具体进行数据分析时，虽然选择哪一个标准都可以，但我认为peak-level 和 cluster-level的结果均很重要，需要参考。如果结果实在不甚显著，可以利用ROI的方法缩小Search Volume的体积，这在很多分析中不失为一个好办法。
参考链接：
https://www.jiscmail.ac.uk/cgi-bin/webadmin?A2=spm;d940a597.1201
http://www.scholarpedia.org/article/Statistical_parametric_mapping_(SPM)
© 本文版权归 xiaole 所有，任何形式转载请联系作者。
