Rose9614的博客

fNIRS光极排布图是每个实验必须汇报的内容，可以清晰的传达给大家光极排布的头皮位置与对应监测到的皮层空间信息。笔者发现对比其他可视化软件，Atlasviewer的优势在于有forward model，可以为每个source和detector计算光子传播路径，可以帮助我们画出皮层空间的敏感，便于评估是否覆盖ROil和光极设计是否均匀。（其实：主要是图颜值更高，👉👈。

设头皮上的目标点为P₀(x₀, y₀, z₀)，需要在大脑皮层点集S上找到最合适的投影点P'。

BOLD和CSF信号有多相似CSF信号要延迟多少时间才能最匹配BOLD信号BOLD-CSF的互相关公式lag:时间延迟采样点数BOLD信号CSF信号延迟时间点对应的相关系数。

前几天笔者学习使用NSP (Network Segregation and Partnership) 算法计算大脑整合分离的全局指标，现在要在之前学习的基础上再来玩玩局部指标。局部指标的计算主要在两个层面上进行：第一个层面是针对每个独立ROI的指标计算，这让我们能够精确定位到具体脑区的整合分离特征；第二个层面是针对每个功能子网络的指标计算，这让我们能够从中观层面理解不同功能网络的整合分离模式。NSP整体指标计算笔记（一）

脑脊液（csf）一直被认为与新陈代谢有重要关联，其为许多神经科学研究提供重要价值，从fMRI图像中提取脑脊液信号可用于多种神经系统疾病的诊断。特别是自2019年Science上那篇著名的csf-BOLD文章发表后，大家都试图用csf阅读出更多的信息。本人提取csf信号的思想都基于封面2019年这篇Science，不过因为扫描参数不同略有调整。我在学习csf-extract时还是花了一个月的时间，并且踩了不少坑，特此在这篇笔记里梳理与分享。同一个被试的BOLD序列和最终得到的csf图像。

需要说明的是，本文仅是笔者对NSP方法的初步尝试，主要聚焦于功能连接网络的分析。原文中还包含了结构连接网络的分析，以及功能-结构整合的深入探讨，这些都为理解大脑的组织原理提供了更全面的视角。感兴趣的小伙伴强烈建议去阅读原文～笔者也准备明天有时间再尝试计算一下局部指标。

fNIRS实验设计面临一个挑战:如何将感兴趣的大脑区域（ROI）转化为光极在头皮上的具体位置？fNIRS实验设计受限于有限数量的光源和探测器,需要将它们放置在头皮的选定部位，优化配置它们，在合理的资源内探测到ROI，是值得思考的问题。有没有一种自动化的方法来根据ROI来决定光极位置？fOLD工具包正是为解决这种需求而开发的，它可以自动决定fNIRS光极位置的方法：最大化对感兴趣脑区的解剖特异性。笔者通过学习发现，它的使用非常简单，可以很好的帮助我们进行光极排布的优化，特此分享一下学习笔记。

定量磁化强度映射(Quantitative Susceptibility Mapping, QSM)是一种先进的磁共振成像技术，它通过测量人体组织在磁场中引起的微小磁场扰动来计算组织的磁化率，从而提供定量的组织特性信息。这种技术主要应用于脑部成像，能够显示铁含量、钙化和髓鞘等结构，相比传统的T2*加权成像，QSM具有更高的空间分辨率和对比度，并且能够区分顺磁性和抗磁性物质。在临床上，QSM对于神经退行性疾病、多发性硬化等脱髓鞘疾病的评估，以及脑出血和微出血的检测都具有重要意义。

本文详细介绍了如何使用BrainNetViewer这一专业软件来实现大脑区域兴趣（Region of Interest，简称ROI）的体积可视化。BrainNetViewer是一个功能强大的神经影像学工具，它能够帮助研究人员以三维的形式直观地展示大脑结构和功能区域。它主要在基于matlab的环境运行。目录前言操作步骤1.设置路径2.运行GUI3.载入文件。

在神经科学的处理中，经常会出现想通过大尺度脑网络的视角来分析某一脑区的情形，首先我们要判断簇（Cluster）属于哪个网络，其次我们想要得知量化的信息与某网络的重叠百分比。那拿到Cluster的掩模与脑功能网络的模版后，有哪些方法可以计算重叠比例呢？目录前言一、基于可视化软件进行简单查看一、基于matlab进行百分比量化的计算1.计算重叠比例2.画图。

本文将介绍神经成像领域元分析的发展历程，探讨：SDM算法克服了哪些统计错误？比起其他的元分析方法，可以更多的回答哪些问题？其背后体现对脑功能本质理解的何种哲学？ 然后介绍基于SDM软件包，进行resting-fMRI 元分析的步骤。

本文介绍了从cat12工具包提取出灰质体积后，进行组间比较的原理与思路，详细介绍了独立样本t检验的统计模型，以基于DPABI统计分析的步骤。从而得到了疾病组比健康组灰质体积显著减少的脑区，将其提取为ROI-mask，后续将和临床指标计算相关。

原始MRI图像。：灰质mask。提取出的MRI里的灰质图像。都是三维矩阵，且其三者的维度相等并等于对于图像中的每个体素，我们都可以用来表示其位置。笔者进行VBM（体素形态学）组间比较时发现不同组因T1图像不同，分割后的灰质图像维度并不一致，为了让每个体素单位的统计检验更可靠，学习将三组在同一空间再次应用灰质掩模后比较。图7 按本文步骤提取的灰质图像I%3AMG%3AI%2CM%2CG。

本文介绍了用cat12运算VBM前，如何抓取ROI信息；运算VBM后，如何转化ROI文件和提取全脑体积，为之后的统计分析做好准备。t=N7T8基于CAT的VBM和SBM计算学习笔记（一）VBMhttps://mp.youkuaiyun.com/mp_blog/creation/editor/140665644。

回顾一下，本笔记介绍了从T1原始图像到灰质体素图像的全过程。在先使用DPABI软件预处理好T1图像后，用Cat的Segment自动化功能得到分割后的灰质体素图像，再用spm进行Smooth。那么就得到了可以使用的灰质体积图像，后续再通过TIV得到全脑体积，然后进行组间比较、临床相关等统计分析即可。