功能磁成像数据处理
追蜗牛的coder
浓睡不消愁-代码渐瘦,致力于做一个有趣的程序员。爱分享、爱聊天还爱笑;爱python、爱机器学习、还爱各种小游戏。
展开
-
Nilearn学习笔记4- 连接提取:用于直接连接的协方差
概要:给定一组时间序列(例如通过上篇博客中提到的方法在一群人的fmri数据中提取的时间序列集),功能连接组是表示不同的大脑区域之间的相互作用的连接。今天分享的是利用稀疏逆协方差去获取功能连接组,重点放在脑区之间的直接连接。 1. 用于功能连接组的稀疏逆协方差 静息状态功能连接可以通过估测不同脑区之间的信号的协方差(或者相关性)矩阵的方法得到,相同的信息可以表示为赋权图,图的节点是不同的脑区,边原创 2017-01-07 11:00:08 · 51830 阅读 · 4 评论 -
Nilearn学习笔记3-提取时间序列建立功能连接体
在nilearn库中,提供了两种从fmri数据中提取时间序列的方法,一种基于脑分区(Time-series from a brain parcellation or “MaxProb” atlas),一种基于概率图谱(Time-series from a probabilistic atlas)。参考文章:Varoquaux and Craddock, “Learning and comparing原创 2017-01-02 14:31:47 · 54465 阅读 · 17 评论 -
Nilearn学习笔记1-Nilearn库介绍
nilearn是一个将机器学习、模式识别、多变量分析等技术应用于神经影像数据的应用中,能完成多体素模式分析(MVPA:mutli-voxel pattern analysis)、解码、模型预测、构造功能连接、脑区分割、构造连接体等功能。一般用于处理功能磁共振图像(FMRI)、静息状态(resting-state),或者基于体素的形态学分析(VBM).对于机器学习专家来说,nilearn的价值体现在特定领域特定工程的构造,也就是将神经影像数据表达成为非常适合于统计学习的特征矩阵。原创 2016-12-05 15:07:48 · 52392 阅读 · 2 评论 -
fMRI数据分析处理原理及方法
近年来,血氧水平依赖性磁共振脑功能成像(Blood oxygenation level-dependent functional magnetic resonance imaging, BOLD-fMRI)技术得到极快的发展,除了与扫描硬件、扫描技术的进步有关外,更得力于以图形图像等计算机科学为核心的相关学科的支持:图像数据的后处理技术成为fMRI中的关键环节转载 2016-12-05 16:01:19 · 52216 阅读 · 0 评论 -
FMRI数据分析与处理
近年来,血氧水平依赖性磁共振脑功能成像(Blood oxygenation level-dependent functional magnetic resonance imaging, BOLD-fMRI)技术得到极快的发展,除了与扫描硬件、扫描技术的进步有关外,更得力于以图形图像等计算机科学为核心的相关学科的支持:图像数据的后处理技术成为fMRI中的关键环节一、功能图像数据的性质功能磁共振数据包括转载 2016-12-21 13:22:23 · 62231 阅读 · 0 评论 -
Nilearn学习笔记2-从FMRI数据到时间序列
通过前面的学习了解,我们知道最原始的Fmri数据是4维的,包含三围的空间信息和一维的时间。在实际应用中,我们更多的是利用大脑图像时间序列做研究分析,因为无法直接使用fmri数据做相关研究。在我们使用数据之前,我们需要对原始数据做一些数据预处理和变换。1. mask在所有的分析之中,我们第一步所做的事儿都是把四维fmri数据转换为二维矩阵,这个过程称为MASK。通俗的理解就是提取我们能利用的特征原创 2017-01-01 11:31:00 · 61623 阅读 · 35 评论