偏侧化指数介绍
描述功能偏侧化最常用的方法之一是计算偏侧化指数，分别是左侧和右侧感兴趣区域（ROI）中值高于特定激活阈值的体素数。因此，LI值的范围从+1（左主导）到1（右主导）。然而，这种方法的一个主要限制是LI对任意选择的激活阈值的强烈依赖。
为了排除不同mask大小的影响，并允许使用非对称自定义mask，计算了一个mask加权因子（mwf），表示左边和右边mask体积的关系。然后使用这个加权因子来扩展等式(1)，从而防止由于掩罩大小影响而人为偏侧化指数：
LI-tool改善功能性MR数据中侧化的评估
-
标准化和可重复性：LI-tool提供了一种标准化的方法来计算侧化指数（LI），这有助于提高结果的可重复性和可靠性。通过实现当前和新方法，研究人员可以更一致地评估大脑激活的侧化效应。
-
处理统计异常和数据稀疏性：LI-tool考虑了计算侧化指数时常见的挑战，如统计异常、数据稀疏性和阈值效应。它提供了可选的处理步骤，以提高计算出的侧化指数的可靠性。
-
多种计算方法：该工具箱允许研究人员探索不同的计算方法，以便根据具体数据和研究问题选择最合适的方式。这种灵活性使得研究人员能够更好地理解和解释大脑的半球特化。
-
可视化和探索功能：LI-tool还提供了可视化工具，帮助研究人员更直观地理解激活的侧化情况，从而更有效地识别和分析大脑功能的侧化效应。
通过这些改进，LI-tool为研究人员提供了一个强大的工具，以更准确和可靠地评估功能性MR数据中的侧化现象。
软件下载路径
Software | Universitätsklinikum Tübingen (uni-tuebingen.de)
注：将下载后的压缩包解压放在spm的toolbox文件夹中，然后将LI文件夹添加到matlab的路径中
LI_manual的解读
第一步：事前检查
目的：在做其他事情之前，请检查这个工具箱中假定的利手性是否符合您的本地设置！左和右通过 /data目录中的LI_left和LI_right定义，这样在LI-left中，所有被认为定义左的体素都是1，其他所有体素都是0。你绝对必须确保对你的数据也是如此。
方法：在matlab中运行LI_test.m文件。出现下面的两张图，左边是正确示例，右边是目前的默认设置，要确保是一致的，不然后续分析都是错误的。
第二步：SPM操作
2.1 打开LI toolbox
2.2 Select Contrast Image(s)
选择要分析的图像（每个被试的一阶结果），可以同时选择很多图像，会分别生成LI保存在一个txt文件中。
2.3 Select thresholding method
Bootstrap：除了生成LI曲线外，这还将使用一个引导过程。无论其价值如何，我认为这是目前"最好的"方案
2.4 Select INclusive mask
选择自己关注的位置
2.5 Select EXclusive mask
默认情况下，提供屏蔽中线（+/-5mm）以避免大引流静脉中的流动伪影，但您也可以选择屏蔽+/-11mm、"无"或自定义的中线。这里没有预处理选项，因为我不知道你的这个自定义掩码可能是什么样子的；所以，请确保您的自定义排除掩码的格式正确。
2.6 Select optional steps
这些选项可能会对数据产生非常严重的影响，所以通常不推荐使用它们！
所以选择None即可。
2.7 Yes
2.8 对图像是否已经进行归一化分析
Yes
结果解释
结果保存：默认保存到当前工作目录下，LI_masking.ps li.txt LI_boot.ps。
每个被试都会生成一个LI值，将这些数据与0进行单样本t检验。