<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[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。]]></title><description><![CDATA[记录是成长的奠基石，在记录中茁壮成长！]]></description><link>https://blog.csdn.net/xj4math</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; xj4math]]></copyright><item><title><![CDATA[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]]></title><link>https://blog.csdn.net/xj4math/article/details/146102743</link><guid>https://blog.csdn.net/xj4math/article/details/146102743</guid><author>xj4math</author><pubDate>Fri, 07 Mar 2025 19:05:24 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[网络神经科学中空模型（null model）总结和代码实现]]></title><link>https://blog.csdn.net/xj4math/article/details/144489243</link><guid>https://blog.csdn.net/xj4math/article/details/144489243</guid><author>xj4math</author><pubDate>Sun, 15 Dec 2024 17:30:06 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[DWI扩散磁共振成像和结构连接组学指南]]></title><link>https://blog.csdn.net/xj4math/article/details/142184624</link><guid>https://blog.csdn.net/xj4math/article/details/142184624</guid><author>xj4math</author><pubDate>Thu, 12 Sep 2024 20:10:16 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[为什么要把T1配准到fMRI？“T1 Coreg to Fun“: the individual structural T1w is coregistered to the mean fMR]]></title><link>https://blog.csdn.net/xj4math/article/details/137330012</link><guid>https://blog.csdn.net/xj4math/article/details/137330012</guid><author>xj4math</author><pubDate>Wed, 03 Apr 2024 09:47:27 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[如何求NIfTI文件的MNI坐标，如求Desikan-Killiany，Schaefer2018等图谱的MNI坐标]]></title><link>https://blog.csdn.net/xj4math/article/details/136702359</link><guid>https://blog.csdn.net/xj4math/article/details/136702359</guid><author>xj4math</author><pubDate>Thu, 14 Mar 2024 15:22:30 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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。]]></title><link>https://blog.csdn.net/xj4math/article/details/136636429</link><guid>https://blog.csdn.net/xj4math/article/details/136636429</guid><author>xj4math</author><pubDate>Mon, 11 Mar 2024 22:11:22 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.csdn.net/xj4math/article/details/136634792</link><guid>https://blog.csdn.net/xj4math/article/details/136634792</guid><author>xj4math</author><pubDate>Mon, 11 Mar 2024 21:23:57 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[python绘制箱线图boxplot——用于多组数据的比较， 异常值检测]]></title><link>https://blog.csdn.net/xj4math/article/details/134758137</link><guid>https://blog.csdn.net/xj4math/article/details/134758137</guid><author>xj4math</author><pubDate>Sat, 02 Dec 2023 22:08:07 +0800</pubDate><description><![CDATA[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；]]></description><category></category></item><item><title><![CDATA[神经影像和人类基因组关联分析的实践过程]]></title><link>https://blog.csdn.net/xj4math/article/details/134714804</link><guid>https://blog.csdn.net/xj4math/article/details/134714804</guid><author>xj4math</author><pubDate>Thu, 30 Nov 2023 16:11:41 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.csdn.net/xj4math/article/details/133623203</link><guid>https://blog.csdn.net/xj4math/article/details/133623203</guid><author>xj4math</author><pubDate>Fri, 06 Oct 2023 22:28:38 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[脑影像独立成分分析（ICA）的自动化流程]]></title><link>https://blog.csdn.net/xj4math/article/details/132511786</link><guid>https://blog.csdn.net/xj4math/article/details/132511786</guid><author>xj4math</author><pubDate>Sun, 10 Sep 2023 15:47:13 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[神经影像脑网络图、brain map可视化汇总]]></title><link>https://blog.csdn.net/xj4math/article/details/132132127</link><guid>https://blog.csdn.net/xj4math/article/details/132132127</guid><author>xj4math</author><pubDate>Sun, 06 Aug 2023 16:35:04 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.csdn.net/xj4math/article/details/132131620</link><guid>https://blog.csdn.net/xj4math/article/details/132131620</guid><author>xj4math</author><pubDate>Sun, 06 Aug 2023 15:51:19 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[脑网络通信：概念、模型与应用——Brain network communication: concepts, models and applications]]></title><link>https://blog.csdn.net/xj4math/article/details/132049942</link><guid>https://blog.csdn.net/xj4math/article/details/132049942</guid><author>xj4math</author><pubDate>Tue, 01 Aug 2023 20:22:40 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[Anaconda里，spyder的breakpoint怎么用？Spyder如何利用断点进行代码调试]]></title><link>https://blog.csdn.net/xj4math/article/details/131863719</link><guid>https://blog.csdn.net/xj4math/article/details/131863719</guid><author>xj4math</author><pubDate>Sat, 22 Jul 2023 09:16:34 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[逐步功能连接 stepwise functional connectivity 详解和代码实现]]></title><link>https://blog.csdn.net/xj4math/article/details/131627172</link><guid>https://blog.csdn.net/xj4math/article/details/131627172</guid><author>xj4math</author><pubDate>Sun, 09 Jul 2023 20:52:08 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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)]]></title><link>https://blog.csdn.net/xj4math/article/details/131612589</link><guid>https://blog.csdn.net/xj4math/article/details/131612589</guid><author>xj4math</author><pubDate>Sat, 08 Jul 2023 15:43:28 +0800</pubDate><description><![CDATA[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）。]]></description><category></category></item><item><title><![CDATA[计算多元回归模型变量的相对贡献率——calc.relimp 函数解析]]></title><link>https://blog.csdn.net/xj4math/article/details/130833417</link><guid>https://blog.csdn.net/xj4math/article/details/130833417</guid><author>xj4math</author><pubDate>Tue, 23 May 2023 19:10:31 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[ggplot绘制带误差棒、置信区间的柱状图，并调整颜色为渐变]]></title><link>https://blog.csdn.net/xj4math/article/details/130833222</link><guid>https://blog.csdn.net/xj4math/article/details/130833222</guid><author>xj4math</author><pubDate>Tue, 23 May 2023 18:55:21 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.csdn.net/xj4math/article/details/130685809</link><guid>https://blog.csdn.net/xj4math/article/details/130685809</guid><author>xj4math</author><pubDate>Mon, 15 May 2023 15:59:26 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item></channel></rss>