​​Source localzition pipeline
​​ 
​​ 

​​הקדמה-

​​מסמך זה עוסק בהערכת מקור הפעילות המוחית שנרשמה בMEG, בשיטת beamforming.
​​בשלב ראשון נתאים בין המרחב התלת מימדי של הMRI למרחב הסנסורים של הMEG.
​​לאחר מכן נחשב את הforward solution- כלומר, יוצרים את ההיטל של כל ווקסל במוח על כל אחד מהסנסורים. כך, עבור כל ווקסל נוצר מערך של משקולות שאורכו כמספר הסנסורים, שאומר כמה כל סנסור משפיע על אותו ווקסל. משקולות אלו נשמרות במטריצה הקרויה lead field. 
​​בעזרת הlead field מחושב הinverse solution- כלומר ההערכה של המקור המוחי שבו התקיימה הפעילות שהקלטנו בסנסורים של הMEG.
​​בעזרת שיטה זו ניתן להעריך את המקור המוחי של פעילות מ-2 סוגים: בעולם התדר (היכן התרחשה פעילות בטווחים תדרים מסוים) ובעולם הזמן (היכן התרחש פרק זמן מסוים של ERP).
​​
​​תרשים התהליך, מתוך האתר של FieldTrip:
​​
 
User-uploaded image: image.png
​​
​​
 
User-uploaded image: pixel.gif
​​

​​1. עיבוד המידע האנטומי

​​בשלב ראשון עלינו לעבד את המידע האנטומי שברשותנו. שלב זה נכתב עבור מצב בו אין MRI אנטומי, אך רוב שלביו יתאימו גם כאשר יש MRI אנטומי.
​​
​​1.1 שימוש בתוכנת AFNI
​​בעזרת התוכנה AFNI ניתן לבצע התאמה של mri template לhead shape כפי שנרשם בדיגיטיזציה.
​​את השימוש בAFNI אפשר לבצע מתוך הMATLAB, אך חובה שהתוכנה תהיה מותקנת על המחשב.
​​בתיקיית הנבדק צריכים להיות הקבצים הבאים:
  • ​​Raw data ('c,rfhp0.1Hz)
  • ​​HS file
  • ​​Config
​​
​​במטלב נריץ את הקוד הבא:
​​
​​fitMRI2hs('c,rfhp0.1Hz') % enter the correct file name
​​hs2afni
​​
​​שימו לב- יש לוודא שהתיקייה SAM_BIU נמצאת בpath.
​​בתיקיית הנבדק יווצר הקובץ T.nii- זהו קובץ MRI מתאים מבחינת גודל וזווית לנבדק הספציפי. עם הקובץ הזה נעבוד בהמשך.
​​
​​1.2 את כל תתי-השלבים תחת שלב 1.2 כדאי לבצע בעזרת הרצת הקוד  nudging_and_segmentation.m
  • ​​1.2.1 שלב ה-Nudging
  • ​​קובץ הMRI שלנו מוגדר בשלב זה עפ"י מערכת קורדינאטות שאינה תואמת את נתוני הMEG. לכל נבדק נבצע המרה של מערכת הקורדינאטות, בעזרת הגדרה של 3 fiducials (נקודות ציון), שמתאימות ל-3 נקודות שסימנו במהלך הדיגטיזציה בMEG לפני תחילת הניסוי: nas בין הגבות, rpa ליד אוזן ימין, lpa ליד אוזן שמאל.
  • ​​כדי לבדוק את ההתאמה בין הMRI לMEG, הקוד מריץ את השורות:
  • ​​best_guess_fiducial.nas   = [44 106 19];
  • ​​best_guess_fiducial.lpa   = [88 54 17];
  • ​​best_guess_fiducial.rpa   = [1 54 17];
  • ​​best_guess_fiducial.zpoint= [NaN NaN NaN];
  • ​​%mri=ft_read_mri('warped+orig.BRIK') %AFNI output, IF you used the manual
  • ​​mri = ft_read_mri('T.nii'); % read AFNI automatic output
  • ​​
  • ​​%% nudging
  • ​​% for a start, guess the best fiducials, and check if it worked
  • ​​do_guess = 1;
  • ​​cfg=[];
  • ​​cfg.coordsys='bti';
  • ​​cfg.method = 'fiducial';
  • ​​cfg.fiducial = best_guess_fiducial;