粗体信号MATLAB代码spm12-dartel 使用 SPM12 和 DARTEL 将功能和结构 MRI 数据预处理到标准化 MNI 空间的代码。 仅可用于一次结构扫描（例如 T1 MPRAGE 或 T2 匹配带宽） 可用于两个结构扫描（例如 T1 MPRAGE和T2 匹配带宽）。 二级扫描（例如 MBW）用作将功能配准到一级结构（例如 MPRAGE）的中介 指示： 仅调用包装器脚本，因为它将在 parfor 循环中调用run函数。 所有用户可编辑的参数都在包装器的同义部分中。 除非您知道自己在做什么，否则不应编辑包装器脚本和运行函数的其他部分。 包含每个主题的 pre-dartel 状态的“runStatus”结构将保存在“batchDir”中指定的文件夹中。 pre-dartel 之后的matlab 工作区也将保存在“batchDir”中，您可以使用它重新运行DARTEL，而无需重新运行pre-dartel。 matlab 控制台输出的文本日志将为 predartel 和 dartel 保存在“batchDir”文件夹中。 所有 pre-dartel 和 DARTEL matla

Denoiser：用于fMRI BOLD数据的令人讨厌的回归工具 Denoiser是一种用于从功能性MRI数据中去除噪声源并对其进行时间滤波的工具。 它还提供了有害信号内容的可视化（包括运动信息，如果提供的话），使用户可以快速了解噪声消除前后的数据质量。 去噪器作用于4D fMRI数据（采用nifti文件路径或已加载的nibabel对象作为输入）。 在体素水平上执行有害信号去除和时间滤波，并创建一个“清理过的” 4D Nifti文件（ _NR文件）/ nibabel对象作为输出。 由用户指定要消除的特定噪声信号（包含在tsv文件中）。 仅在对BOLD数据进行最少的预处理之后（例如，在使用fmriprep预处理数据fmriprep ，该工具会创建一个包含滋扰信号的.tsv文件），才应使用此工具。 有关如何运行的说明，请输入：python run_denoise.py -h 用法：ru

matlab图片叠加的代码NPBayes_fMRI 描述 这是一个用户友好的Matlab GUI，它实现了一个统一的，概率统一的非参数贝叶斯框架，用于分析来自多对象实验的与任务相关的fMRI数据。 该建模方法基于时空线性回归模型，该模型通过先于空间通知的多对象非参数变量选择来具体说明神经元活动中对象间的异质性。 该方法的一个特征是，它可以将受试者聚集到以相似的大脑React为特征的亚组中，同时生成组级和受试者级激活图。 方法和软件在以下手稿中进行了描述： Zhang，L.，Guindani，M.，Versace，F.，Engelmann，JM和Vannucci，M.（2016）。 多主题fMRI数据的时空非参数贝叶斯模型。 应用统计年鉴，10（2），638-666。 Kook，JH，Guindani，M.，Zhang，L.和Vannucci，M.（2018）。 NPBayes-fMRI：单对象和多对象fMRI数据的非参数贝叶斯通用线性模型。 生物科学统计学。 该代码已于17年10月31日向公众发布。 内容 该存储库包含以下文件夹： 示例文件夹包含Matlab数据集和自动解剖标记（AAL

阿尔茨海默氏病（AD）是痴呆症的最常见形式，是一种无法治愈的神经系统疾病，会导致进行性精神恶化。 尽管对AD进行明确诊断很困难，但在实践中，AD诊断主要基于临床病史和神经心理学数据，包括磁资源成像（MRI）。 近年来，有关将机器学习应用于AD识别的研究越来越多。 本文介绍了我们对这一进展的最新贡献。 它描述了一种基于3D脑MRI深度学习的自动AD识别算法。 该算法使用卷积神经网络（CNN）来实现AD识别。 独特之处在于，大脑的三维拓扑在AD识别中被视为一个整体，从而可以进行准确的识别。 本研究中使用的CNN包括三组连续的处理层，两个完全连接的层和一个分类层。 在该结构中，三组中的每一个都由三层组成，包括卷积层，池化层和归一化层。 使用来自阿尔茨海默氏病神经成像计划的MRI数据对算法进行了训练和测试。 使用的数据包括约47位AD患者和34位正常对照的MRI扫描。 实验表明，该算法具有较高的AD识别精度，灵敏度为1，特异性为0.93。

信号重构matlab代码便携式MRI 便携式MRI数据的重建和处理代码 概述 portable-MRI包含MATLAB代码，用于通用重建和处理由便携式MRI扫描仪生成的MRI数据。 便携式MRI扫描仪具有内置（始终打开）的读出梯度。 3D RARE序列与二维编码中的相位编码一起使用。 重建代码的输入数据是一个.mat文件，其中包含原始相位编码的自旋回波火车数据。 影像重建HALBACH_reconstruct_simp.m是用于运行图像重建代码的顶级脚本。 提供了示例性体内数据集（T2加权）（T2_data_example.mat）。 图像处理进一步的图像处理是用intensity_correction.m执行的。 该脚本使用自定义蒙版对每个2D图像进行蒙版，并使用低通滤波后的图像版本对图像强度进行归一化。 提供了重建的图像以供加载到此脚本中（T2_images_example.mat）。 可以使用drawfreehand和createMask内置的MATLAB函数创建自定义蒙版。 系统要求 硬件要求 portable-MRI软件包需要一台具有足够RAM的标准计算机来支持内存中操作。

去噪声代码matlab 功能磁共振成像降噪 Matlab函数的集合，用于对fMRI数据（例如静止或稳态数据）进行降噪。 fmri_cleaning通过单个线性回归模型执行数据降噪-包括频率滤波，去除不感兴趣的信号（例如，运动或生理估计）以及检查运动污染的体积。 这是主要功能； 其他功能允许您为此功能创建适当的输入变量。 fmri_acompcor从指定的感兴趣区域提取信号。 您可以提取平均信号，也可以提取前n个主成分（PC； aCompCor方法）。 在提取PC之前，您可以将数据与构成最终回归模型的其他变量进行正交处理，以使提取的PC具有最大的预测性。 fmri_rp_metrics计算各种逐帧位移度量。 fmri_censoring_mask创建用于体积审查的时间掩码（例如，使用逐帧位移）。 该代码是为以下出版物而开发的： 评估基于任务的功能连通性的降噪策略：均衡静止任务和具有认知要求的任务之间的残余运动伪影。 Mascali，D.，Moraschi，M.，DiNuzzo，M.，Tommasin，S.，Fratini，M.，Gili，T.，Wise，RG，Mangia，S.，Maca

基于PCA的FMRI数据处理实例，FMRI源数据来源于SPM网站

tt变换matlab代码MID处理流水线 该存储库具有用于在货币激励延迟 (MID) 任务期间预处理和分析功能性磁共振成像 (fmri) 数据的代码。 该数据集包含来自 42 个控制对象的数据。 每个受试者在 2 次扫描运行中执行 MID 任务，并提供以下信息： 6 个条件（0,1,5 增益/损失试验） 每个条件 15 次试验，所以总共 90 次试验 试用时间： 0-2 秒：提示呈现（+/- $0、$1 或 $5 提示） 4.25-5 s：目标窗口（即目标将在此间隔内的某个时间出现） 6-8 秒：结果展示 试验间隔 (ITI) 为 2、4 或 6 秒，所有试验平均为 4 秒 入门 软件要求 （注意：版本很重要，因为较新版本的 AFNI 显然没有在此管道中使用的 3dFourier 命令） （目前用于保存和绘制 VOI 时间课程） 权限 确保用户有权执行脚本。 从终端命令行，cd 到包含这些脚本的目录。 然后输入： chmod 777 *sh chmod 777 *py 能够执行它们。 这只需要运行一次。 功能磁共振成像管道 检查原始数据 原始 fMRI 和解剖数据应该在这里，相对于您的

matlab中位值平均滤波算法代码odcpsf-mcmc Matlab代码使用MCMC使ODC模型适合fMRI数据，该方法用于： Chaimow，D.，Yacoub，E.，Uğurbil，K.＆Shmuel，A.功能性MRI血液氧合React相对于神经元活动的空间特异性。 Neuroimage 164，32–47（2018）。 -脚本，演示了如何在已处理的ODC fMRI数据上运行MCMC（对fMRI结果的保存方式进行了一些假设，请参见参考资料）并可视化结果。 -模型和MCMC算法的主要代码 -在本地或HPC群集上启动和运行MCMC作业所涉及的代码 -测试 -一些辅助功能 -示例处理的fMRI数据：Chaimow等人的受试者1的GE和SE图谱。 （2018），在processMCMC.m中用作示例 一般说明 在（和）中实现了ODC的fMRI生成模型。 该函数在给定一组参数的情况下模拟ODC fMRI映射，并在给定真实fMRI数据的情况下计算能量和梯度。 哈密​​顿蒙特卡罗算法的实现与模型无关。 通常，为了对实际数据运行MCMC模型拟合： 使用，从已处理的fMRI数据和所需选项中创建ta

matlab对直方图高斯代码中科院 CEST MRI数据分析的代码和材料 此处包含的 Matlab 脚本 (CEST_Script.m)、函数和数据用于支持出版物“3.0T 前列腺多池化学交换饱和转移 MRI 的优化和可重复性”DOI：10.1002/jmri.26690 它们可能对任何有兴趣对 CEST MRI 数据实施洛伦兹线拟合分析的人有用。 所附代码的主要功能： 使用多达 5 个洛伦兹线形用于水/CEST/NOE 池和单个线形（洛伦兹、高斯、超洛伦兹或直线）用于 MT 共振，对 z 谱进行基于体素和 ROI 的拟合。 来自标准化数据的不对称计算。 制作 CEST 和其他参数图。 参数直方图。 提供的代码旨在允许用户快速开始生成和可视化 CEST 拟合结果。 目的是可以将其用作更详细的、特定于上下文的分析的基础。 提供了一个包含虚拟测试数据的文件。 这可用于端到端地运行整个脚本。 如果这些材料对您有用并有助于您未来的工作，请通过在任何结果出版物中引用上述论文来承认这一点。 % Vincent Evans % % UCL 医学影像中心 %