matlab中t测试代码代码 各种Matlab脚本，用于分析Freesurfer和fMRI数据。 还包含对自闭症的表观遗传数据和纵向头围的分析 此代码中的大部分致力于我的论文主题，即中枢视力丧失后会出现什么神经可塑性。 为了回答这个问题，我们收集了T1结构数据和功能性MRI。 以group_ttest，pairtest和ttest_开头的代码是对主要视觉皮层中的ROI与执行控制中涉及的一组ROI之间功能连接的分析。 fcMRI分析中未使用的许多其他脚本与T1结构MRI数据的Freesurfer分析一起使用。 有两个文件用于绘制和分析纵向自闭症研究数据（plot_headcirc，headcirc_plot）。 最后，gene_overlap和Dir_analysis是用于从表观遗传数据调查基因表达变化的脚本。

典型相关分析matlab实现代码代码质量和样式 单元测试和覆盖 如何引用 贡献者 SPM12预处理管道说明 依存关系 确保安装以下工具箱并将其添加到matlab路径。 有关说明，请参见以下链接： 依存关系 二手版本 20 ??? 或者 4.？ v7487 不适用 为简单起见，已将subfun工具工具箱添加到该子subfun文件夹中。 一般说明 这套功能将从读取和解压缩数据。 然后它将执行： 切片定时校正 空间预处理（重新对齐，对MNI空间进行归一化）， 平滑 主题级别的GLM和 组一级的GLM为SPM（即汇总统计方法）。 这必须针对每个任务独立运行。 所有参数最好都应该在getOptions.m文件中进行更改。 它还可以通过在非规范化图像上为每个受试者运行GLM来准备数据以运行MVPA分析，并为要在MVPA中使用的每种条件获取一个beta图像。 核心功能位于子功能文件夹subfun 假设 目前，此管道进行了一些假设： 假设虚拟扫描已从BIDS数据集中删除，并且可以直接跳至预处理， 假定给定任务的元数据与正在运行此管道的第一个主题的第一次运行的元数据相同， 它假定该组是在主题字段（例如s

fastMRI可再现基准 该存储库的想法是要有一种方法可以在fastMRI数据集单线圈磁道上针对现有的重建算法快速对新解决方案进行基准测试。 迄今为止，已实现或适用于fastMRI数据集的重建算法包括： 零填充重建 ，使用 使用的基于小波的重构（即用贪婪的FISTA解决基于L1的分析公式优化问题） 网络 ，适用于MRI重建 ，一种模块化的展开重建算法，您可以在其中插入最佳的降噪器。 ，一种用于非笛卡尔采集的展开式重建算法，具有密度补偿。 所有神经网络都通过Keras API在TensorFlow中实现。 较旧的（不要认为这是我论文的开始）是使用功能性API进行编码的。 最新的版本在子类API中进行了编码，并且更加模块化。 对于LORAKS重建，由于A / D过采样，您将无法重建正确的fastMRI数据。 重建设置 主要的重建设置是具有随机和“定期采样”的笛卡尔单线圈和多线

此 GUI 设计用于查看 MRI 数据。 用户可以翻阅图像的各个切片，也可以查看所选切片的水平和垂直剖面。 数据应该是维度为 y、x、z 的 3D 矩阵。 您可以使用置换按钮更改数据的方向，并在查看数据的幅度、实部和虚部之间切换。

功能磁共振成像数据分析课程 fMRI数据分析课程的材料由位于托伦的，面向认知科学专业的学生（包括一年级学生）。 该课程涵盖fMRI数据分析的基本主题（使用Python）。 霍格沃茨之路 我称这门课程的教学方式为霍格沃茨方式。 它指的是，对于大多数参与者而言，fMRI数据分析，python编程，版本控制等在课程开始之初都是不可思议的事实。 该课程的目的是介绍功能磁共振成像数据分析，可再现性，Python和版本控制等主题，从而为学生提供许多乐趣和自由。 该课程的最重要目标是减少最初尝试尝试全新事物的恐惧，这实际上是相当复杂的。 :warning: 内容警告：该课程包含许多不适合麻瓜和过分认真的人的“哈利波特”内容。 如何成为神经信息学家？ 一般信息 该课程得到了和。 时间 授课与练习：30小时（每两周分为3小时的课程） 作业（Jupyter Notebooks通过GitHub课堂共享，DataCam

advanced_fMRI_course：用于UoB（英国）的fMRI数据分析课程的资源和实践清单（2014-2017）

Qoala-T 用于FreeSurfer分段MRI数据质量控制的监督学习工具 版本1.2>预测模型已于2019年1月14日更新; Github页面于2021年3月16日更新Qoala-T由和在开发和创建。 关于 Qoala-T是一种有监督的学习工具，可评估T1成像扫描的手动质量控制及其在FreeSurfer中处理的自动神经解剖标记的准确性。 它特别适用于开发数据集。 该软件包包含Klapwijk等人（2019）中所述的数据和R代码，请参阅 。 我们内部开发的手动质量控制程序的协议可以在找到。 我们还开发了一个使用R Shiny的应用程序，通过该应用程序可以在不安装R的情况下运行Qoala-T模型，请参阅（可以在找到本地运行的源代码）。 运行Qoala-T 为了能够运行Qoala-T模型，应在FreeSurfer中处理T1 MRI图像。 当前版本中使用的模型是针对FreeSurfer

matlab分时代码BVAR连接 描述 这是一种用户友好的Matlab GUI，它对贝叶斯多主题向量自回归（VAR）模型实施了变分推理方法，以便基于静止状态功能MRI数据来推理有效的大脑连通性。 建模框架使用贝叶斯变量选择方法，以允许在主题级别和小组级别同时推断有效的连接性。 它还可以灵活地将多模式数据（尤其是结构性DTI数据）集成到现有结构中。 我们开发的变分推理方法可实现方法的可扩展性，并能够根据数据的全脑分割来估计主题级和小组级的大脑连接网络 下面的手稿中描述了变分方法的方法论和详细实现： Chiang，S.，Guindani，M.，Yeh，HJ，Haneef，Z.，Stern，JM和Vannucci，M.（2017）。 使用多模态神经影像数据进行多主体有效连通性推理的贝叶斯矢量自回归模型。 人脑映射，38，1311-1332。 Kook，JH，Vaughn，KA，DeMaster，DM，Ewing-Cobbs，L.和Vannucci，M.（2020年）。 BVAR-连接：用于大脑连接网络推理的多主题向量自回归模型的变分贝叶斯方法。 神经信息学的出现。 内容和安装。 该存储库包含

本文介绍了一种基于MR图像数据增强功能的有组织的脑肿瘤检测方法。 这种方法为脑肿瘤检测提供了巨大的临床实践，使基于MR图像数据的患者识别变得容易。 在本文中，我们提出了一种用于在脑磁共振（MR）数据中分离肿瘤图像的MATLAB编程。 使用拟议的MATLAB编码可以清楚地突出显示MRI图像数据和肿瘤中极其清晰可见的肿瘤准确性检测。 这些代码用于通过增加或减少灰度等级（0到255）以及其他特殊滤镜来增强MR图像质量。 MRI数据集证实该算法的结果更适用于普通输出图像以识别脑肿瘤。

在这项研究中，我们分析了描述820名受试者的功能性磁共振成像（MRI）成像的大脑活动数据，每个受试者在4个不同的时间进行了扫描。 这种多次扫描使我们有机会观察到受试者内成像特征的一致性，以及受试者之间的变异性。 然后将最一致的特征用于预测受试者的特征。 我们集中于四种预测方法（回归，逻辑回归，线性判别分析和随机森林），以便根据在大脑区域之间观察到的大脑活动来预测受试者的特征，例如性别和年龄。 这些预测是根据每个区域的4次扫描所评估的大脑区域之间调整后的交流活动进行的。 由于在116个大脑区域之间存在大量此类交流，因此我们对最有希望的大脑区域对进行了初步选择。 Logistic回归在根据大脑区域之间的交流活动对受试者性别进行分类中表现最好。 对于AIC逐步选择的Logistic回归模型，准确率为85.6％。 另一方面，保持整个排名预测变量集的Logistic回归模型能够获得87.7％的准确率。 有趣的是，具有AIC选择功能的模型对男性的分类更好，而完整排名的模型对女性的分类更好。 随机森林技术最能预测年龄（按原始数据提供，分为五类），准确率达48.8％。 200到1600之间的任何一组预