- 博客(188)
- 资源 (19)
- 收藏
- 关注
RSS订阅原创 如何实现区域灰质体积、皮层厚度、低频振幅等影像学特征的病例-对照分析差异分析
在神经影像学研究中，病例-对照分析（case-control analysis）是一种常见的方法，用于比较患者组（cases）与健康对照组（controls）在脑结构和功能上的差异。本文介绍如何利用病例-对照分析对**区域灰质体积（GMV,、皮层厚度（CT）及低频振幅（ALFF）进行统计分析。
2025-03-07 19:05:24
394
原创 网络神经科学中空模型（null model）总结和代码实现
成像和追踪技术的最新进展提供了越来越详细的大脑连接组重建。伴随的分析进展使我们能够严格识别和量化大脑网络结构中的重要功能特征。零模型是一种灵活的工具，可以通过选择性地保留大脑网络的特定结构属性，同时系统地随机化其他属性，从统计上对感兴趣的特征的存在或大小进行基准测试。描述了连接组零模型的逻辑、实现和解释。介绍了构建零网络的随机化和生成方法，并概述了用于统计推断的网络方法分类。
2024-12-15 17:30:06
1079
原创 DWI扩散磁共振成像和结构连接组学指南
扩散磁共振成像（dMRI）是一种多功能成像技术，因其能够敏感地测量活体组织中水分子在微米尺度上的位移而广受欢迎。尽管dMRI自20世纪90年代初就已存在，但其应用仍在不断发展，**主要涉及从神经纤维轨迹推断结构连接组学。**然而，这些应用需要图像处理和统计学方面的专业知识，对新手而言，选择适合其研究需求的处理流程可能会有困难，尤其是因为dMRI是一种非常灵活的方法，多年来已经开发出数十种采集和分析流程。
2024-09-12 20:10:16
2049
原创 为什么要把T1配准到fMRI？“T1 Coreg to Fun“: the individual structural T1w is coregistered to the mean fMR
因为fMRI缺少解剖细节，即使已经先配准到精细的解剖图像T1，但到后面再配准到MNI空间时都只能在大体轮廓上对准，而里面的解剖结果会非常不准确，所以后面生成的“fMRI空间→MNI空间”转换矩阵是很不精准的。为了解决这个问题，就需要先把T1配准到fMRI上，再把已经在fMRI空间的T1图像配准到MNI空间，这样得到的“fMRI空间→MNI空间”转换矩阵就更为准确，包括更多解剖结构的配准细节。有的小伙伴提出这样的疑问：一个样本的T1只有一个，而fMRI有多个，感觉应以T1为基准，把fMRI配准到T1更合理。
2024-04-03 09:47:27
733
原创 如何求NIfTI文件的MNI坐标，如求Desikan-Killiany，Schaefer2018等图谱的MNI坐标
要获取NIfTI文件中特定区域（如Desikan-Killiany或Schaefer 2018）的MNI坐标，您通常需要执行以下步骤：加载NIfTI文件：使用适当的工具（如NiBabel或其他NIfTI文件加载库）加载您的NIfTI文件。获取区域标签/标签图：对于Desikan-Killiany或Schaefer 2018，您需要获取相应的区域标签图像。这些图像通常是包含整个大脑的3D标签图，其中每个区域都有一个唯一的整数值。
2024-03-14 15:22:30
1101
原创 大脑默认网络的组成部分—— PFC前额叶皮层，岛叶，顶下小叶，LTC外侧颞叶皮层，PCC后扣带/压后皮质, 海马结构, dMPFC背内侧前额叶皮层, vMPFC腹内侧前额叶皮层。
近年来，大脑的默认网络受到了广泛的关注。默认网络，如图1所示，是一组在休息状态的受试者中活跃的大脑区域，与他们执行吸引人的外部导向任务相比。"默认"这个词来源于在空闲时期发现网络的活跃度增加，这意味着当没有提供外部导向的任务时，人们的大脑默认使用该网络。然而，这个词是一个误称。默认网络在有向任务中也是活跃的，比如回忆过去或思考未来可能发生的事情。通过检查在被动个体中活跃的区域，我们可能偶然发现了负责内部认知模式的核心网络。一个工作假设是，默认网络的主要功能是支持内部的心智模拟，这些模拟可以适应性地使用。
2024-03-11 22:11:22
664
1
原创 多模态脑区细分图谱 HCP-MMP v1.0, Glasser et al. 2016 皮层和皮下区域，简写和全称对应关系
人类连接组计划多模态脑区细分图谱（HCP-MMP）提供了对人类大脑皮层区域的非常有用的细分（Glasser et al. 2016a, b）。图谱是多模态的，因为每个区域都是根据四个标准的组合定义的，包括结构（T1加权/T2加权髓鞘含量和皮层厚度图）、静息态功能连接、基于任务的激活和拓扑地形组织。HCP-MMP v1.0图谱包含每个半球180个皮层区域，基于210名参与者的分析。
2024-03-11 21:23:57
992
原创 python绘制箱线图boxplot——用于多组数据的比较， 异常值检测
本文系统详解利用python中seaborn.boxplot绘制箱图boxplot。seaborn.boxplot是atplotlib.pyplot.boxplot的封装版，更个性化的设置请研究matplotlib.pyplot.boxplot箱线图（Box-plot）是利用数据中的五个统计量：第一四分位数、第三四分位数、中位数、上边缘、下边缘来描述数据的方法。判断异常依据：在Q3＋1.5IQR（四分位距）和Q1-1.5IQR处画两条与中位线一样的线段，这两条线段为异常值截断点，称其为内限；
2023-12-02 22:08:07
1800
原创 神经影像和人类基因组关联分析的实践过程
现代全脑转录图谱为研究脑组织的分子相关性提供了前所未有的机会，可以使用无创神经成像进行量化。然而，将神经影像学数据与转录组测量相结合并不是直截了当的，需要仔细考虑才能做出有效的推断。在本文中，我们回顾了最近的研究工作，探讨了不同的方法选择如何影响成像转录组学分析的三个主要阶段，包括1)转录图谱数据的处理；2)将转录测量与独立衍生的神经影像学表型相关联；3)通过基因富集分析评估鉴定的关联的功能意义。我们的目标是为这个快速发展的领域促进标准化和可复制方法的发展。
2023-11-30 16:11:41
1686
3
原创 利用freesurfer6进行海马分割的环境配置和步骤，以及获取海马体积
一些 freesurfer 模块，例如 fsfast 和子场/核分割工具，需要 matlab 运行时包 (MCR)。MCR 允许用户运行分布式 matlab 编译的程序，而无需支付 matlab 许可证费用。freesurfer 命令 fs_install_mcr 可用于安装此软件包。MCR版本要求如下。注意如果安装不成功，请切换到 root 用户下。
2023-10-06 22:28:38
1763
1
原创 脑影像独立成分分析（ICA）的自动化流程
我们提供了一个工具箱来完成建议程序的第二步，并通过生成与“运动功能”及其他九个脑功能系统相对应的ICA模板来演示我们的流程，从而产生与脑的灰质/白质边界非常吻合的ICA图。我们的工具箱以两种不同的文件格式生成数据：基于体积（Volumetric-based）的（NIFTI）和结合表面/体积（surface/volumetric）的文件（CIFTI）。与现有的10个模板相比，我们的程序输出的成分图在9/10的情况下至少有2倍的灰质对ICA z值的贡献，相对于白质体素。
2023-09-10 15:47:13
1177
原创 神经影像脑网络图、brain map可视化汇总
神经影像可视化构成了科学结果解释和交流的核心，也是数据质量控制的基石。通常，这些图像和图形是通过手动更改图形用户界面 (GUI) 上的设置来生成的。现在存在许多有据可查的基于代码的大脑可视化工具，允许 5 个用户直接在 R、Python 和 MATLAB 环境中以编程方式生成可供发布的图形。在这里，我们通过强调相对于基于 GUI 的工具在适用性、灵活性和集成方面的相应优势，为广泛采用代码生成的大脑可视化提供了理由。然后，我们提供实用指南，概述生成这些基于代码的大脑可视化所需的步骤。
2023-08-06 16:35:04
1672
原创 如何对两个相关系数进行差异显著性检验 （两个样本中构造的相关性是否不同）——diffcor，Fisher‘s z-Tests
关于相关性之间差异的 Fisher z 检验的计算。diffcor.one() 测试预期值是否与观察值不同，例如在构造验证中。diffcor.two() 测试两个研究/样本中两个构造之间的相关性是否不同。diffcor.dep() 检查两个构造 (r12) 之间的相关性是否与第一个构造与第三个构造 (r13) 之间的相关性显着不同，考虑到比较构造 (r23) 的相互相关性。所有输出均提供比较相关性、z 单位的检验统计量和 p 值。
2023-08-06 15:51:19
1240
原创 脑网络通信：概念、模型与应用——Brain network communication: concepts, models and applications
神经元素之间的信号传递和信息传输渗透到大脑功能的每一个方面和空间尺度：**从神经元到神经元的突触传输，到神经元群体之间的交互，到整个大脑的区域共激活模式。**理解控制神经信号灵活调节的机制是现代神经科学的持久挑战之一。为了解决这个问题，研究方向多种多样，包括但不限于神经编码，神经振荡的同步性和相干性，区域间通信子空间，以及神经动力学的计算模型。因此，通信这个主题既广泛又是神经科学探究的核心。在过去的二十年里，连接组学和网络神经科学已经成为关注神经系统结构和功能的重要领域。
2023-08-01 20:22:40
613
原创 Anaconda里，spyder的breakpoint怎么用？Spyder如何利用断点进行代码调试
在每次开始debug之前，先在spyder的ipython界面中输入%reset 把工作空间的所有变量清除，以免影响到我们接下来的测试.（在python里，!的意思就是在当前状态下执行该python语句，这里的用法是查看变量的值）c”就会往下执行(continue)，在打“断点”的地方停住。
2023-07-22 09:16:34
1217
原创 逐步功能连接 stepwise functional connectivity 详解和代码实现
作为 SFC 分析的输入，我们首先通过计算预处理的 BOLD 图像中每个体素与每个其他体素时间过程的 Pearson R 相关性，计算每个参与者全脑网络的个体关联矩阵（见图 1 B）。在我们的框架中，步长是指属于将节点连接到种子（或目标）区域的路径的链接（边）的数量。然而，我们更喜欢使用链接步骤，以避免与分析节点对时使用的平均路径长度和最短路径的图论术语混淆。在SFC分析中，给定步长l和种子区域i（图1C，Djil）的体素j的逐步连接程度是根据（1）连接体素j和中的任何体素的所有路径的计数计算的。
2023-07-09 20:52:08
777
原创 核磁共振常用的文件格式介绍：NIfTI volume 格式 (*.nii)， GIFTI 格式 (*.gii)， CIFTI 格式 (*.nii)
NIfTI volume 格式 (*.nii)GIFTI 格式 (*.gii)CIFTI 格式 (*.nii)Scene file文件 (*.scene)规格文件 (*.spec)解剖 (*.annot)一个场景文件包含一个或多个场景；每个场景实际上是保存时 wb_view 内部状态的快照。这包括有关加载哪些文件、如何显示、如何配置选项卡的信息（选择了哪些表面、在每个层中选择了哪些文件、打开了哪些层、哪些视图旋转、调色板设置、平铺选项卡等)，以及在它们上面添加了哪些注释（文本、箭头、圆圈等）。
2023-07-08 15:43:28
2131
1
原创 计算多元回归模型变量的相对贡献率——calc.relimp 函数解析
Calc.relimp为线性模型计算了几个相对重要的度量。calc.relimp函数是R语言中relaimpo包中的一个函数，用于计算相对重要性（Relative Importance）的指标。
2023-05-23 19:10:31
2847
原创 ggplot绘制带误差棒、置信区间的柱状图，并调整颜色为渐变
要在ggplot中绘制带有置信区间的柱状图，并控制柱子的宽度和间距，并为柱子添加颜色渐变，你可以使用scale_fill_gradient函数来设置颜色渐变，并结合geom_bar函数的width和position参数来控制柱子的宽度和间距。要在ggplot中绘制带有置信区间的柱状图，并控制柱子的宽度和间距，你可以使用geom_bar函数的width参数来控制柱子的宽度，并使用position_dodge函数来调整柱子的间距。运行以上代码，就可以生成带有置信区间的柱状图，并控制柱子的宽度和间距。
2023-05-23 18:55:21
2179
原创 如何获取不同分区模板的基因表达矩阵，abagen: Allen 大脑图谱遗传数据工具箱的使用笔记
基因表达从根本上塑造了人类大脑的结构和功能结构。像Allen人脑图谱这样的开放获取转录组数据集提供了前所未有的能力来检查这些机制。abagen工具箱，这是一个用于处理转录组学数据的开放获取软件包，并使用它来检查方法可变性如何影响使用Allen人脑图谱的研究结果。
2023-05-15 15:59:26
2494
1
原创 特征值与特征向量几何意义
定义：设AAA是nnn阶矩阵QQQ，如果数λ\lambdaλ和nnn维非零向量xxx使关系式AxλxAxλx成立，那么，这样的数λ\lambdaλ称为矩阵AAA的特征值，非零向量xxx称为AAA的对应于特征值λ\lambdaλA−λEx0A−λEx0如果想求出矩阵对应的特征值和特征向量就是求式 (2) 的解了。
2023-04-28 20:55:04
923
原创 从矩阵理论角度理解偏最小二乘回归，以及在脑科学中（脑影像与行为、基因表达的关系）的应用举例
偏最小二乘法 (PLS) 是一种多元数据驱动的统计技术，旨在提取表示最大大脑行为关联的潜在变量（或潜在成分 latent components [LC]）。
2023-03-28 16:00:56
735
原创 总结磁共振成像的脑龄预测的人工智能模型
一个人的大脑的脑龄是多少？这个看似简单的问题隐藏着一个极其复杂的系统，其中不同类型的内生变量和外生变量以一种未知的方式相互作用。在本文中，作者旨在通过关注一个具体的案例来提供一些见解：解释神经成像衍生的内表型对脑龄确定的影响，即大脑的“大脑特征”或“指纹”，同时利用XAI揭示主导该过程的主要因素。
2023-03-04 16:14:51
1300
原创 病例对照研究中，如何对年龄、性别、教育程度进行频数匹配？
我经常遇到的数据情形是，有两组被试，一组是病人组，一组是对照组，想研究的问题是两组被试在神经影像特征上的差异，以揭示疾病与大脑结构功能之间的关联。最近学习了一下使用MatchIt包（R环境）来匹配样本，发现匹配样本在理论上是一个比较复杂的问题，所以这里只是介绍一点很基础的内容，更详细的介绍见参考1。一类是分类匹配（stratum matching），根据协变量进行分类，然后把具有相同类别的被试进行匹配，比如根据年龄每一岁一个类别，属于同一个类别的被试就是匹配的，精确匹配（exact）方法就是属于这一类。
2023-02-20 14:51:33
3839
1
原创 Linux如何记录运行的Bash命令？
通常情况下，我会写一个脚本来处理数据，脚本中难免会有错误的地方，如果能记录下真实运行的命令，就能检查是否有bug存在，也便于以后查阅。可以把脚本的输出保存在stdout.log文件中，把运行过的命令保存在cmd.log中。上述三种方式都可以在执行脚本的同时，输出运行的命令，并在命令前用+标记。
2023-02-19 14:48:31
1124
原创 freesurfer如何将组模板投影到个体空间——如投影 Schaefer2018 到个体空间
freesurfer对结构核磁共振成像分割输出结果介绍具体见：输出结果介绍。
2023-02-12 15:39:34
1408
1
原创 图傅里叶变换的推导和理解
把传统的傅里叶变换以及卷积迁移到Graph上来，核心工作其实就是把拉普拉斯算子的特征函数e−iωte^{-i\omega t}e−iωt 变为Graph对应的拉普拉斯矩阵的特征向量。傅立叶变换与拉普拉斯矩阵的关系：传统傅立叶变换的基，就是拉普拉斯矩阵的一组特征向量。最开始是2013年发表于IEEE Signal Processing Magazine期刊的论文《The Emerging Field of Signal Processing on Graphs: Extending High-Dimens
2023-02-11 16:15:48
802
原创 如何直观地理解傅立叶变换？频域和时域的理解
比如在图像处理里，将图像函数看做一个信号函数，对图像某一区块其进行上述标准化互相关函数中讲到的亮度和对比度不变性处理后，进行傅里叶变换，并最后算出图像功率谱，于是就有了一个很好的以频率表达的可用于模板匹配的模板属性。每个正弦分量都有自己的频率和幅值，这样，以频率值作横轴，以幅值作纵轴，把上述若干个正弦信号的幅值画在其所对应的频率上，就做出了信号的幅频分布图，也就是所谓频谱图。频谱图里的竖线分别代表了不同频率的正弦波函数，也就是之前的基，而高度则代表在这个频率上的振幅，也就是这个基上的坐标分量。
2023-02-11 16:07:20
994
原创 拉普拉斯矩阵的定义，常见的几种形式以及代码实现？
拉普拉斯矩阵(Laplacian matrix) 也叫做导纳矩阵、基尔霍夫矩阵或离散拉普拉斯算子，主要应用在图论中，作为一个图的矩阵表示。对于图 G=(V,E)，其Laplacian 矩阵的定义为 L=D-A，其中 L 是Laplacian 矩阵， D=diag(d)是顶点的度矩阵（对角矩阵）,d=rowSum(A)，对角线上元素依次为各个顶点的度， A 是图的邻接矩阵。频域卷积的前提条件是图必须是无向图，只考虑无向图，那么L就是对称矩阵。
2023-02-11 16:03:02
1535
原创 Neurosynth元分析——认知解码工具，软件包安装以及使用
NeuroSynth（https://neurosynth.org）是一个针对fMRI研究进行元分析的网站平台，输入一个关键词（比如，焦虑），就可以得到与焦虑相关的大脑“激活”图，可以用于定义ROI。
2023-02-10 21:25:46
3164
原创 MNI152 坐标空间和 fsaverage 坐标空间相互转换， 如已知fsaverage空间的坐标如何求MNI152 坐标？aparc.a2009s.annot转化到MNI152空间？
大多数神经影像学研究的结果是在体积（例如，MNI152）或表面（例如，fsaverage）坐标系中报告的。体积坐标系和表面坐标系之间的准确映射可以促进许多应用，例如将 fMRI 组分析从 MNI152 投影到 fsaverage 以进行可视化或从 fsaverage 投影静息状态 fMRI 分区对 MNI152进行新数据的体积分析。Wu et al., 2018 评估了三种在 MNI152通过模拟上述应用的 Colin27 和 fsaverage 坐标系：将组平均数据从 MNI152/Colin27 投影到
2022-11-13 22:17:04
2387
5
原创 使用brainconn工具绘制的大脑连接数据，比BrainNet更方便和灵活
brainconn 软件包的目的是允许在 Rstudio 内灵活、编程和交互式地绘制大脑连接数据 - 无需切换到其他可视化工具，并允许将可视化与用 R 编写的分析脚本进行可重现的集成。和。这些函数的主要用户输入是连接矩阵。预装了几个大脑图谱，用户还可以提供自定义图谱。brainconn() 函数允许用户输入可以根据 MNI 坐标绘制的二进制/加权和有向/无向（即对称）连接矩阵。brainconn3D() 允许用户输入二进制和无向连接矩阵，该矩阵使用 plottly 以 3D 和交互式方式绘制。
2022-11-13 19:47:32
2566
1
原创 如何利用Dpabi，AFNI，FSL软件计算种子点的功能连接？
fsl_glm 得到的是线性回归系数（beta coefficient），由于在自变量和因变量标准化（均值为 0，标准差为 1）的情况下，简单线性回归的回归系数和皮尔逊相关系数是相同的，因此这是一种间接的方法。（3）上一步得到的 PCC.nii.gz 文件是 Harvard-Oxford 概率模板中的后扣带回，每个体素中的数值（1-100）表示该体素属于 PCC 的概率，反映 PCC 在不同被试中的变异大小，也表示我们对于某个体素属于PCC 的信心。接下来，我们来聊聊功能连接在数据处理里的具体应用。
2022-11-13 13:39:15
6386
3
原创 统计学中，Z值与T值怎么换算 T-score transform Z-score
统计参数映射(SPM, Frackowiak, Friston, Frith, Dolan，和Mazziotta 1997)评估一组图像的每一个体素上的统计假设，这些图像已经注册到一个公共坐标系。根据被检验假设的形式，统计量可以用具有已知自由度数的T分布来描述。将这些T变量转换Z变量以作进一步分析通常是很方便的。
2022-11-04 22:38:47
4036
原创 使用 ggsegExtra 对大脑分区统计结果进行可视化，如在Glasser360分区模板，Yeo2011模板，Schaefer分区模板上统计结果可视化
人们越来越重视以更直观的方式可视化神经影像结果。用于传播这些结果的常用统计工具（例如条形图）缺乏神经影像数据固有的空间维度。在这里，我们为统计软件 R 提供了两个包，它们集成了这个空间组件。ggseg 和 ggseg3d 包分别将预定义的大脑分割可视化为 2D 多边形和 3D 网格。这两个包都与其他成熟的 R 包集成在一起，具有很大的灵活性。在本教程中，我们描述了用于脑图谱可视化的 ggseg 和 ggseg3d 包中的主要数据和函数。突出显示的函数能够在 R 中显示大脑分割图。
2022-10-23 22:16:45
2166
4
原创 使用 ggseg 对大脑分区统计结果进行可视化，如对皮层厚度差异T值进行可视化
下面介绍如何使用 ggseg 包对分区统计结果进行可视化的基本方法。ggseg 是ggsegmentation 的缩写。ggseg 包适用于那些需要轻松绘制结果或分段数据概述的人。在神经影像学中，我们经常进行分析，根据不同类型的分类图谱将大脑分割成不同的区域。首先，我们专注于来自流行软件 Freesurfer 的两个图谱，即 Desikan-Killany 皮质图谱 (dk) 和皮层下分割图谱 (aseg)。
2022-10-23 21:03:41
2720
原创 空间零模型的显著性检验 surface-level(顶点，脑区)，volumetric -level(体素，脑)校正——Spatial nulls for significance testing
有四个可用的空模型可用于voxel- and vertex-wise 数据，还有八个可用的空模型可用于parcellated 数据。
2022-10-22 21:35:48
547
2
原创 neuromaps——多模态、多尺度脑科学数据综合分析的利器 的使用
神经图谱旨在提供一套可复制的工具，用于处理和分析大脑地图(或“注释”)。作者介绍了一个开放访问的Python工具箱，neuromaps，以使研究人员能够系统地共享、转换和比较脑图（图1）。neuromaps软件工具箱在neuromaps上可用，在PyPi、Zenodo上，它作为Docker容器存在，文档可以在GitHub页面上找到（https://netneurolab.github.io/neuromaps）。
2022-10-22 20:55:31
1736
cat12工具箱。将主要关注基于体素的形态计量学(VBM)分析工具箱
2022-08-03
VBM8工具箱，用途：将T1图像归一化到模板空间，分割为灰质(GM)、白质(WM)和脑脊液(CSF)
2022-08-03
提取fMRI的时间序列，构建功能连接矩阵的matlab代码
2022-06-02
做相关性分析时，如何排除奇异值Outliers，以增加相关分析的准确性
2022-04-21
已知差异脑区MNI坐标，如何将MNI坐标转化为AAL分区和布罗得曼分区Brodmann area名称
2022-04-04
fMRI如何将4D-nii文件转化为3D-nii文件工具箱
2022-03-29
BP神经网络模型在汽车保有量中的预测
2022-03-28
MRtrix3用于弥散成像追踪的python代码
2022-03-06
运动员与普通大学生的反应速度统计分析
2020-12-12
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人