MRI脑影像分析从哲学到技术再到点点点
文章平均质量分 96
不同MRI脑影像,如sMRI,fMRI和DTI等的一些分析方法
漆比特
意疏的博客
展开
-
脑影像分析|数据分析——单个变量或多个变量与y的皮尔逊相关,同时返回r与p值(python)
皮尔逊相关是计算两个变量之间线性相关关系,或者两个向量共线程度的常用指标,应返回衡量相关程度的r值,和相关显著程度的p值。我们熟知的工具包,如pandas,numpy和scipy等,只能计算单个变量x与变量y之间的相关值,或者多个变量两两相关的相关矩阵。当我们想要分别计算多个变量X与y之间的相关关系时,就需要自己手撕代码。如果觉得手撕代码太费头发,或者对代码不怎么精通,那么就往下看吧。笔者废了好大一把头发,基于numpy和scipy撕三个函数方法,帮你快速实现多个变量与y之间的相关关系,并同时返回r和p值。原创 2022-03-29 12:47:44 · 5259 阅读 · 2 评论 -
MRI脑影像分析——根据脑图谱获取感兴趣区域mask,以海马体与丘脑为例(matlab+nilearn+nibabel+REST1.8)
脑影像分析中,我们常常会针对性的对某些感兴趣区域进行分析,而对它们进行分析的前提是获取该区域的mask。感兴趣区域可以用以某些坐标为球心的球形区域定义,也可以用脑图谱上对应的某些脑区定义,其中,后者是较为常见的,也是我们今天要讨论的。脑图谱是一类特殊脑影像,它的每一个位置上不是信号值,而是脑区编号(标签),这也就意味着我们可以通过感兴趣区域的脑区编号,得到对应的感兴趣区域位置的集合,它也就是感兴趣区域的mask。以下将以1mm和3mm的brainnetome图谱,并以海马体与丘脑为例生成mask原创 2021-10-09 22:19:39 · 13939 阅读 · 25 评论 -
MRI脑影像分析——多种工具实现Nifti(*.nii)文件读取、处理与写入——把小舞写进脑海里、6mm半高全宽高斯核平滑脑影像、NIFTI文件合并、算fMRI平均图像
Nifti文件格式,是目前各大神经影像分析工具普遍兼容的体素水平的数据格式,也是在进行神经影像研究中最常见的一种数据格式。Matlab从2017b后就引入了专门的Nifti文件的解析函数,SPM12,dpabi等工具包也提供了Nifti文件的解析接口,NIfTI_20140122是专门的Nifti文件的解析处理工具包。python上面的nibabel可以解析Nifti等脑影像文件,nilearn更是一个集解析,处理,与分析于一体的工具。以下就针对这些工具,简要探讨他们对Nifti文件的解析,以及简单处理。原创 2021-08-25 19:15:56 · 19105 阅读 · 18 评论 -
脑影像分析工具保姆级安装教程——VMware Workstation16.1.2中安装FSL6.0.3/FSL6.0.4、MRtrix3、MRIcron并修复fsleyes not found
以下包含VMware Workstation 16.1.2的安装,VMware Workstation 16.1.2上安装配置ubuntu 20.04,ubuntu 20.04上安装配置FSL6.0.3\FSL6.0.4,ubuntu 20.04上安装配置FSLeyes,并修复/fsl/bin/fsleyes not found,fsl/bin/imcp not found,fsl/bin/immv not found等问题。另外还包含DTI分析工具MRtrix3和脑影像显示与转换工具MRIcron的安装。原创 2021-07-23 11:39:51 · 6764 阅读 · 18 评论 -
fMRI脑影像特征提取——静息态与任务态,ALFF/fALFF和ReHo(Dpabi,Rest1.8)
任务态和静息态是大脑的两种状态,前者主要是指大脑在执行记忆、识别以及运动等具体任务时的状态,静息态则是指大脑不执行具体认知任务、保持安静、放松、清醒时的状态,是大脑所处的各种复杂状态中最基础和最本质的状态。任务态fMRI分析有非常悠远的历史,而静息态fMRI自1995年biswal教授及其同事率先报告静息态fMRI具有生理意义后,越来越多的人进入了静息态的研究领域。任务态fMRI主流的分析方法是模型驱动(GLM+HRF),也可以引用静息态fMRI原创 2021-07-03 14:52:02 · 46668 阅读 · 42 评论 -
fMRI脑影像特征提取——Pearson相关与低阶功能连接LOFC(dpabi+nilearn)
一个连接由节点和连接强度(边)组成。功能连接中的节点可以是单个体素,也可以是由脑图谱定义的脑区ROI。通常的做法是将脑图谱中多个或者全部ROI作为节点,或者是将脑图谱中单个ROI与全脑体素作为节点。定义连接强度(边),最常用的方式是Pearson相关,两个节点之间可能没有物理连接,但如果他们的BOLD信号同步性很强,则它们之间可能存在很强的功能上的协作,即很强的功能连接,这是一个很好的表征两个节点间关系的特征。原创 2021-03-30 10:00:50 · 17930 阅读 · 48 评论 -
图像重采样/插值原理与其在MRI脑影像分辨率修改中的应用——将尺寸为1mm标准模板修改成体素尺寸为3、6、8mm标准模板(FSL、SPM12、NIfTI_20140122、dpabi、nilearn)
图像重采样这个词,可能许多人都会觉得陌生。但是图像放大,图像缩小,图像旋转,图像错切等这些我们熟悉操作背后,增多、减少和移位的像素点值的确定,其实都是通过重采样(resample)来完成的。数字图像,是对连续的模拟图像采样后的结果,而由插值理论我们可以知道,由有限像素点的数字图像,我们可以插值出近似的模拟图像。再对该模拟图像按照要求的采样间隔采样,就可以得到重采样的结果。常用的插值方法有线性插值,双线性插值,样条插值等。原创 2021-03-02 10:00:18 · 11591 阅读 · 27 评论 -
fMRI质量预检查与服务器批量处理:时间点、体素尺寸批量审查与Dpabi(DPARSFA)服务器上无GUI无弹窗处理脑功能影像(附matlab脚本)
| 图源-slice| 工具:dpabi5.0, spm12, NIfTI_20140122(密码:iizk) 我们知道在进行fMRI预处理的时候,要求所有被试时间点相同,它将直接影响到slice timing的顺利执行,另外要求每个体素的尺寸也相同。fMRI数据一般是4D的,不能直接看个数,但是可以通过MRIcro查看每个被试的时间点数和体素尺寸,不过很麻烦。笔者没有找到可以一次性审查全部被试时间点和体素尺寸的程序,所以自己写了一个,放在这里供大家参考。 另外,dpabi是一个比较强大的.原创 2021-01-30 17:04:07 · 4425 阅读 · 2 评论 -
MRI脑影像分析从哲学到技术:一文搞懂VBM预处理基本原理(全网最详细解析)
分析大脑解剖学差异最常用方法之一是基于体素的形态学方法(voxel-based morphometry, VBM)。 VBM的基本思想是测量大脑组织,尤其是灰质的局部浓度的差异。在大脑的每个体素处进行操作,然后在两个或多个实验组之间进行统计比较,从而在受调查的组之间建立特定大脑区域中脑组织浓度的统计学显着差异。 VBM分析基于(高分辨率)MRI脑部扫描,涉及大量处理步骤,主要是空间归一化,分割,平滑和统计分析,最终结果是统计图,显示了各组之间组织类型明显不同的区域[^1]。参考[^1]..原创 2020-12-12 22:02:52 · 25514 阅读 · 35 评论 -
医学成像学习笔记(一):核磁共振成像(MRI)k空间为何是图像频谱详解
前言 k空间是核磁共振成像图像重建的核心,可能很多人像笔者一样第一次学时会非常疑惑,为何k空间是图像的频域空间,观其填充过程,明明是空域信号的采样填充呀。网上很少有文章讨论这个问题,所以笔者在此写下自己的理解,供大家参考。MRI位置编码 现在的MRI一次扫描的是一个断层或者多个断层,所谓断层就是一个有厚度的面,通过z方向梯度场来选择。我们扫描一个断层的目的是为了获得该断层各位置的质子情况,它们携带着组织的性质信息,反应出来的就是信号强度。如果整个断层都采用相同的磁场强度,而我们只能得到一个断原创 2020-07-10 16:01:22 · 9925 阅读 · 9 评论