fMRI公开数据集汇总(自用)

1. Human Connectome Project (HCP)

链接: HCP

HCP是一个大型项目,旨在构建完整的大脑连接图谱。该项目提供了高分辨率的fMRI数据,包括静息态fMRI和任务态fMRI,以及其他多种成像数据。

2. OpenfMRI

链接: OpenfMRI

OpenfMRI(现在称为OpenNeuro)是一个开放的神经科学数据共享平台,提供了大量的fMRI数据集。研究人员可以上传和下载各种fMRI实验的数据。

3. OpenNeuro

链接:OpenNeuro

一个免费且开放的平台,用于验证和共享符合 BIDS 标准的 MRIPET、MEGEEG 和 iEEG 数据

3. Autism Brain Imaging Data Exchange (ABIDE)

链接: ABIDE

ABIDE项目汇集了多个研究中心的自闭症谱系障碍(ASD)患者和对照组的fMRI数据,旨在通过联合分析来发现自闭症的脑成像特征。

4. ADHD-200

链接: ADHD-200

ADHD-200项目提供了注意缺陷多动障碍(ADHD)患者和对照组的静息态fMRI数据,用于研究ADHD的神经基础。

5. 1000 Functional Connectomes Project (FCP)

链接: FCP

FCP项目汇集了来自全球多个研究中心的静息态fMRI数据,旨在促进大规模功能连接分析研究。

6. Cambridge Centre for Ageing and Neuroscience (CamCAN)

链接: CamCAN

CamCAN项目提供了跨越不同年龄段的参与者的多种脑成像数据,包括静息态和任务态fMRI数据,旨在研究大脑随年龄变化的神经基础。

7. Alzheimer's Disease Neuroimaging Initiative (ADNI)

链接: ADNI

ADNI项目收集了阿尔茨海默病(AD)及其前驱状态的多种影像数据,包括fMRI数据,用于研究AD的进展和病理机制。

8. UK Biobank

链接: UK Biobank

UK Biobank是一个大规模的生物医学数据库,包含来自50万名参与者的广泛健康数据,包括fMRI数据。该项目旨在通过综合分析基因、影像和健康数据来促进疾病研究。

9. IMAGEN

链接: IMAGEN

IMAGEN项目收集了青春期青少年的多种脑成像数据,包括fMRI,旨在研究基因和环境因素对大脑发育的影响。

10. OASIS (Open Access Series of Imaging Studies)

链接: OASIS

OASIS项目提供了不同年龄段和认知状态(包括健康老年人和阿尔茨海默病患者)的多种脑成像数据,包括fMRI,用于研究大脑的老化和疾病机制。

这些数据集不仅涵盖了广泛的研究主题和人群,还提供了丰富的数据类型,支持神经科学领域的多种研究方向。

### 如何从 Human Connectome 数据中提取 ROI 在神经影像分析工具或库中,可以从 Human Connectome Project (HCP) 数据集中提取感兴趣区域(Region of Interest, ROI)。以下是具体方法: #### 使用 Nilearn 提取 ROI Nilearn 是一个用于脑成像数据分析的 Python 库。它提供了多种功能来加载、可视化和处理大脑图像数据。为了从 HCP 数据中提取 ROI,可以利用 `nilearn` 的 atlas 功能。 ```python import numpy as np from nilearn import datasets, image, plotting # 加载 Harvard-Oxford 大脑图谱作为示例 atlas_dataset = datasets.fetch_atlas_harvard_oxford('cort-maxprob-thr25-2mm') atlas_filename = atlas_dataset.maps labels = atlas_dataset.labels # 显示图谱中的标签 print(f"可用的 ROI 标签: {labels}") # 加载 HCP 预处理后的功能性 MRI 数据 hcp_data = datasets.fetch_hcp_rest(n_subjects=1) # 将功能数据与图谱对齐并提取 ROI 时间序列 func_img = hcp_data['rest'][0] masker = image.NiftiLabelsMasker(labels_img=atlas_filename, standardize=True) time_series = masker.fit_transform(func_img) # 打印时间序列形状 print(f"ROI 时间序列形状: {time_series.shape}") ``` 上述代码展示了如何使用哈佛大学-牛津大学的大脑图谱来定义 ROIs 并从中提取时间序列[^3]。 #### 利用 NMA 整理的数据集 如果已经使用了 NeuroMatch Academy (NMA) 中整理好的 HCP 数据,则可以直接操作其预处理的时间序列矩阵。由于该数据已经被降采样到 360 个兴趣区,因此可以通过索引访问特定的兴趣区。 ```python # 假设 time_series 已经是一个 (TRs, Regions) 形状的 NumPy 数组 roi_index = 180 # 假定我们关注第 180 个 ROI selected_roi_time_series = time_series[:, roi_index] # 绘制所选 ROI 的时间序列 plt.figure(figsize=(10, 4)) plt.plot(selected_roi_time_series, label=f"ROI-{roi_index} Time Series") plt.title("Selected ROI's Time Series") plt.xlabel("Time Points") plt.ylabel("Activity Level") plt.legend() plt.show() ``` 这段代码片段说明了如何从预处理过的 HCP 数据集中选取单个 ROI 的时间序列,并绘制它的活动水平变化曲线。 #### 注意事项 尽管未加工的数据能够直接应用于分析之中,但是经过加工的数据可能会带来更优的结果以及减少误差的可能性[^2]。所以在实际应用过程中应优先考虑采用官方发布的或者第三方机构进一步优化过后的版本。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值