从事脑科学核磁共振方法学研究，在Nature communications等权威期刊发表研究论文，熟练掌握磁共振处理方法和统计学方法，欢迎大家和我交流。

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。

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。

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。

Jordan 标准型、Jordan分解、Jordan 标准型的计算方法

R语言也有“一步到位”的函数，如prcomp()和princomp()，基本上都是输入数据直接出结果。为了理解PCA的原理，我们利用自编函数的方法进行学习。主成分分析详解主成分分析过程分解1.数据标准化2.计算相关系数（协方差）矩阵3.求解特征值和相应的特征向量4.计算主成分得分5.绘制主成分散点图6 自编函数实现PCA总代码使用现成函数完成主成分分析1.prcomp()函数2.princomp()函数3.PCA结果可视化主成分分析过程分解1.数据标准化为了统一数据的量纲并对数据进行中心化，在主成

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；

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。

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。

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。

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）。

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。

非负矩阵分解在脑科学中的应用

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。

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。

【代码】R语言如何绘制散点图和相关图，并且使散点颜色渐变。

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。

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)。

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。

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）。

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。neuromaps软件工具箱在[neuromaps](https://github.com/netneurolab/neuromaps)上可用

把结构矩阵或者功能连接矩阵的上三角矩阵提取出来，然后利用squeeze把上三角矩阵转化为一列，然后计算相关性。如下图所示，如何计算功能连接和结构连接的矩阵相似性？比如以上2个矩阵的相关性可以直接调用函数。

结构-功能关系是自然界中许多系统的基本原则。然而，网络神经科学研究表明，大脑的结构连接和功能连接之间的联系不是完美对应的。**在这篇**文章中，作者总结了从宏观脑网络角度来研究结构和功能关系的现状，讨论了评估结构功能关系的不同模型。总的来说，作者认为目前的模型没有包含生物学细节，这不利于更好地预测功能网络（FC）。**在结构网络（SC）重建中，加入局部分子信息和细胞的元数据，并考虑功能和属性的细微表征**，可以为真正了解结构-功能关系提供了巨大的可能。......

根据连接矩阵，绘制网络图，如下所示：该图中对每个子网络赋予相同的颜色，并且利用forceatlas2来布局。好了，下面直接给出详细的步骤：Step2：读取连接矩阵和节点信息从准备好的数据创建基本网络非常简单:首先，我们使用read.csv()分别读取节点和边其中文件nodes_358.csv存储的是358个节点的子网络标签其中文件links_358.csv存储的是358个节点的连接矩阵然后，我们将边数据传递给名为graph_from_data_frame()的命令。我们告诉这个函数，关联的节点(

尽管最近取得了实质性的进展，但我们对复杂大脑功能和认知的原理和机制的理解仍然不完全。网络神经科学的提出解决了这些持久的挑战。网络神经科学从一个明确的综合视角来研究大脑的结构和功能，寻求新的方法来绘制、记录、分析和建模神经生物学系统的元素和相互作用。两个平行的趋势推动了这种方法:新的经验工具的可用性，以创建全面的地图和记录分子、神经元、大脑区域和社会系统之间的动态模式；以及现代网络科学的理论框架和计算工具。经验和计算进展的融合打开了科学探索的新前沿，包括网络动力学、大脑网络的操作和控制，以及跨时空域的网络过程

越来越多的理论和实证研究从网络角度探讨了人脑的功能。通过开发新的成像采集方法，开发图论和动力系统的新工具，使大脑网络的分析变得可行。本文调查了其中一些方法学进展，并总结了最近关于结构和功能脑网络的发现。对结构连接组的研究表明，几个模块或网络社区通过枢纽（hub）区域相互连接，介导模块之间的通信过程。最近的网络分析表明，网络hubs形成了一个紧密相连的集体，称为“富人俱乐部（rich club）”，位于吸引和分散信号流的中心位置。......

在过去的十年中，人们对网络的实证研究以及开发用于从网络数据中提取洞察力的数学和计算工具 的兴趣激增。 研究网络的一种常见方法是关注单个节点或一小组节点的属性，提出诸如“哪个是该网络中最重要的节点？”或“哪些是最强的连接？”之类的问题。 然而，方法并没有告诉我们关于大规模网络结构的信息。 正是这种大规模的结构是本文的主题。网络中大规模结构的最佳研究形式是模块化或社区结构。在这种情况下，社区是较大网络中的密集子网络，例如社交网络中的紧密联系的朋友组或万维网上的一组相互链接的网页。.........

下面先展示一下效果图，只保留了感兴趣区域1,10,15的ROI.下面以我们熟悉的Glasser 360 模板为例，只展示感兴趣区域1,10,15的区域，先看一下代码：clc;clear all%让1,10,15为1，其余为0 out = repelem(0, 180); out(1) = 1; out(10) = 1; out(15) = 1; csvwrite('parcelNums.csv', out') mmpL = gifti('mmpL.func.

论文里面我们经常看到2个指标的相关关系，如下图所示，那么怎么做置换检验，求出p值呢？其实原理很简单，就是旋转脑图的空间位置坐标，生成不同的脑图，然后再算相关关系，生成null model。spin的原理置换过程的示意图。 A) 作为说明，Desikan 地图集显示在原始空间（左上）和球面空间（右上）中。 每种颜色对应不同的区域。 球坐标被旋转（右中，右下）并投影回解剖表面（左中，左下）。 B）使用归一化互信息（NMI）估计原始分区和旋转分区之间的相似程度。 该统计数据的概率密度分布显示为 100

找到了差异脑区，并且求得了对应的坐标，那怎么找到我们熟悉的AAL分区信息和Brodmann area名称呢，如下所示。下面介绍一款，将MNI坐标转化为AAL分区和布罗得曼分区Brodmann area名称的工具。下载工具下载地址为：MNI坐标转化为AAL分区和BA分区，下载好该工具后，怎么使用呢？安装点击brainSpy.exe进行安装，如下图所示添加环境变量安装完以后，添加环境变量到PATH路径。您可能需要重新启动您的电脑，以使该命令工作。运行示例最后，按住快捷键 WIN+R调出c

如何将4D-nii格式转化为3D-nii格式下面所放置的f3-c-sub001.nii为4D-nii文件，其为230个时间点。1、首先下载工具箱，地址为：4D-nii格式转化为3D-nii格式2、双击dcm2niigui.exe打开页面第二步，点击输出格式（Output Format）为：SPM8(3D NIFTI nii)第三步，把fMRI的4D-nii文件拖到打开的工具箱中即可完成格式的转换最后，转换成功如下所示。...

大脑中的不同网络有：突显网络、听觉网络、基底神经节网络、高级视觉网络、视觉空间网络、默认模式网络、语言网络、执行网络、楔前叶网络、初级视觉网络、感觉运动网络等下图显示了使用基于种子的分析获得的大脑网络。1、突显网络Salience network**突显网络由背前扣带皮层、双侧岛叶和前辅助运动区组成。**该网络的功能障碍会扰乱其他网络的功能，因为它在调节其他网络的动态变化中起着关键作用。此外，该网络在快速变化的行为中是必不可少的。也就是说，**下一步做什么或不做什么是由网络的适当运作决定的。**因

bootstrap和randomization介绍背景bootstrap方法介绍程序设计思想例子randomization 方法——随机打乱样本数学模型 (Fisher' Z)总结使用bootstrap和randomization的⽅方法对（⽪皮尔逊）相关系数进⾏行行统计推断，并与使⽤用数学模型的⽅方法进⾏行行⽐比较。背景假设收集了了⼀一批数据，样本是15个被试（N=20N=20N=20），包含两个正态分布的变量量XXX和YYY，然后计算了这两个变量量之间的(⽪皮尔逊)相关系数R(X,Y)=0.38R

前言大脑的默认网络由离散的、双侧并且对称的皮层区域组成，位于人类、非人灵长类动物、猫和啮齿动物大脑的内侧和外侧顶叶、内侧前额叶、内侧和外侧颞叶皮质。它的发现是来自于大脑成像研究中一个意外的结果，该研究最初是用正电子发射断层扫描(positron emission tomography)进行的。在正电子发射断层扫描中，研究者将各种新奇的、需要注意力的、非自我参照的任务，与闭上眼睛安静休息或简单的视觉固定这些非任务展开对比研究。与这些放松的非任务态下的活动相比，任务态下的默认网络始终会减少其活动。额中回

多重比较是统计学中的术语。当我们进行多次统计检验后，假阳性的次数就会增多，所以要对假阳性进行校正。

作者：梁子链接：https://zhuanlan.zhihu.com/p/215546058来源：知乎一般脑被沟回自然的分成四个区域，额叶（蓝色），顶叶（黄色），枕页（红色)和颞叶(绿色)。估计皮质也是本着用进废退的原则，活性小的部位渐渐的萎缩凹陷进去，神经兴奋的地方会渐渐扩张突出来。这也是其拥有各自独立功能，并成功的进行功能划分的一个原因吧。这四部分各自的功能主要如下：额叶负责思维，计划和中央执行职能以及运动执行；顶叶负责体感知觉，视觉和体空间信息的整合；颞叶主要负责语言功能和听觉感知，参

图论和网络分析的第一次应用可以追溯到1736年，当时Leonhard Euler解决了Königsberg Bridge问题。就这一点而言，一个图由一组有限的顶点(或节点)组成，这些顶点通过称为边(或弧)连接在一起。随着电路和化学结构在其早期应用中出现有希望的结果，图论现在在解决其他学科中的大量实际问题方面变得有影响力，例如运输系统、社交网络、大数据环境、物联网、电力基础设施和生物神经网络。使用图论的复杂脑网络研究的转折点可以追溯到“人类连接体”的引入。在图论中，元素为零或非零的N×N邻接矩阵(也称为连接

图论在识别人脑网络连通性模式中的应用具体研究问题理论背景: 使用fMRI的连接模式功能连接基于模型的方法相关和相干性统计参数映射（SPM）探索性的方法成分分析（Decomposition-based analysis）聚类方法互信息算法有效连接基于模型的方法格兰杰因果关系（Granger casualty , GC）动态因果建模（Dynamic causal modeling , DCM）探索性的方法贝叶斯网络（Bayesian network , BN）转移熵（Transfer entropy , TE.

识别个体大脑的独特功能结构的是走向个体化医学和理解人类认知和行为变化的神经基础的关键一步（主要是因为当下的功能分区模板都是population水平的，虽然所有人的大脑在结构上和功能上是具有一定的人群一致性的，但是大脑在功能和结构上都存在着比较大的个体变异，尤其是在脑功能方面，因此，任务态fMRI为了能够更精确的对被试脑功能激活的结构定位进行确定，会在个体空间进行激活分析。如果能够通过具体方法在当下常用的静息态数据中完成对个体的功能网络分区，将极大的提高我们对功能网络个体变异的理解，并且能够更好的在组水平分析

人脑皮层组织的大尺度梯度皮层位置的重要性皮质组织的感觉运动脑区-跨模态脑区梯度分布皮层微结构宏观尺度的连接基因表达功能处理层次结构理解结构梯度与功能专门化的关系大脑皮层的内在坐标系统未解决的问题总结随着人脑皮层绘制的研究不断取得新的进展，对皮层空间排列的研究也越来越受到研究者的重视，因为对皮层在结构上的空间排列的描述和分析将增强我们对功能如何从特定结构上发生这一方面的认识。作者在文章中描述了一个跨越感觉运动脑区和多模态脑区的主要梯度组织。作者认为这种梯度构成了人类大脑皮层的核心组织形式，并在此基础上描述了

Diffusion MRI in the brain – Theory and concepts1 介绍2 扩散磁共振成像原理2.1 集合自旋传播子2.2 扩散与磁共振信号：q-空间2.3 自由扩散2.4 窄脉冲近似2.5 生物系统中的扩散2.5.1 表观扩散系数2.5.2 弥散张量成像3. 数据的采集3.1 图像伪影3.2 多层激发的采集方法3.3 弥散成像的编码策略4. 用于纤维方向估计的高阶模型4.1 对扩散方向概率密度函数的估计4.2 纤维