从AAL到BNA：手把手教你用DPABI工具包完成ROI脑区特征提取与实战分析
在神经影像研究领域，感兴趣区域（ROI）分析一直是揭示大脑结构与功能特征的核心方法之一。对于已经完成MRI数据预处理的研究者而言，如何从海量影像数据中精准提取特定脑区的特征指标，往往是决定研究效率的关键环节。本文将聚焦DPABI这一MATLAB环境下的强大工具包，带您逐步掌握从脑图谱选择到特征提取的完整流程，特别针对AAL90和BNA246两种常用图谱的实操细节进行对比演示。
1. 脑图谱选择与数据准备
在开始ROI分析前，选择合适的脑图谱模板是首要决策点。AAL90作为经典分区方案，将大脑划分为90个解剖区域，每个区域都有明确的解剖学边界定义。而BNA246则提供了更精细的划分，将大脑细分为246个功能连接相关的脑区，特别适合需要高空间分辨率的研究场景。
两种图谱的核心差异对比：
| 特征 | AAL90 | BNA246 |
|---|---|---|
| 分区数量 | 90个脑区 | 246个脑区 |
| 划分依据 | 解剖结构 | 功能连接 |
| 适用场景 | 宏观结构分析 | 精细功能网络研究 |
| 数据量需求 | 中等分辨率(3mm) | 高分辨率(1-2mm) |
提示：当研究涉及儿童或特殊疾病人群时，建议先检查模板匹配度。DPABI提供了模板配准质量检查工具，可通过
QualityCheck模块运行。
准备预处理数据时，确保文件结构符合BIDS标准会大幅提升后续操作效率。典型的文件目录应包含：
/sub-01 /anat sub-01_T1w.nii.gz /func sub-01_task-rest_bold.nii.gz2. DPABI环境配置与数据加载
启动MATLAB后，通过以下命令初始化DPABI环境：
addpath('/path/to/DPABI'); DPABI_VIEW;在打开的图形界面中，选择ROI Analysis模块，系统会显示如下操作面板：
- Data Input：点击
Add按钮导入预处理后的nii文件 - Template Selection：在下拉菜单中选择AAL或BNA模板
- Parameter Setting：设置空间平滑核大小（通常6-8mm）
- Output Directory：指定结果保存路径
常见问题排查：
- 若出现
Template not found错误，检查DPABI/Atlas目录下是否存在相应模板文件 - 数据维度不匹配时，使用
Reslice功能重新采样 - 对于多时相fMRI数据，勾选
Extract Time Series选项
注意：首次使用BNA模板需从官网下载补充文件，放置到
Atlas/BNA目录下。
3. ROI特征提取实战操作
3.1 基于图谱的自动化提取
对于标准化的组水平分析，推荐使用全脑自动化提取模式：
[ROI_Data, ROI_Name] = y_ExtractROISignal(AllVolume, MaskFile, OutputName, IsMultipleLabel)参数说明：
AllVolume：输入的4D影像数据MaskFile：选择的模板文件路径IsMultipleLabel：设为1处理多标签模板
执行后会生成包含各脑区特征值的mat文件，可通过DPABI_VIEW的Result模块可视化检查提取效果。
3.2 手动ROI绘制与编辑
当需要自定义非标准脑区时，使用手动绘制功能：
- 在
ROI Editor中加载个体T1像 - 使用
Draw Sphere工具定义球形ROI - 调整半径（通常6-10mm）和中心坐标（MNI空间）
- 通过
Save ROI保存为.nii掩膜文件
关键技巧：
- 结合正交视图（Axial/Coronal/Sagittal）精确定位
- 对于功能连接分析，建议从种子点扩展生成球形ROI
- 使用
Dilate/Erode工具微调ROI边界
4. 结果导出与统计分析
完成特征提取后，DPABI提供多种数据导出格式：
- CSV格式：适合SPSS/JMP等商业软件
y_Write_ROI_Data(ROI_Data, ROI_Name, 'Output.csv'); - Excel格式：直接包含多工作表组织
- MAT格式：保留完整元数据供MATLAB进一步处理
典型输出数据结构示例：
| Subject | ROI_1_Volume | ROI_1_FC | ROI_2_Volume | ROI_2_FC |
|---|---|---|---|---|
| sub-01 | 1250.32 | 0.78 | 980.45 | 0.65 |
| sub-02 | 1345.21 | 0.82 | 1023.76 | 0.71 |
对于功能连接矩阵，推荐使用DPABI_VIEW的Matrix Plot功能生成可直接用于发表的示意图。高级用户可以通过附加脚本计算网络指标：
[NetworkProperties] = y_Graph_Theoretical_Analysis(FC_Matrix, Threshold);在实际项目中，我们常遇到模板与个体解剖存在偏差的情况。这时可以先用Coregister工具进行非线性配准，再应用Normalize to MNI空间。有个案例显示，经过精细配准后，BNA模板的定位精度能提升15-20%。
