核磁資料處理之配準標準模板
說到registration,就必須要首先介紹一下模板.由於人腦存在個體差異, 掃描時候的影象在空間中的座標也不同, 研究時必須要首先消除個體差異,統一座標, 也就是需要將被試人員的大腦全部”訂正/配準”到標準模板上, 這樣後續才能進行統計分析.
目前國際上最廣泛使用的標準模板是MNI152. MNI是加拿大的蒙特利爾神經科學研究中心 “Montreal Neurosciences Institute”的縮寫. MNI152採用了152個健康人的152 3D T1資料加權平均得到. 根據平均演算法不同, 分為線性linear和非線性nonlinear兩種.
上圖來自: http://nist.mni.mcgill.ca/?page_id=714
MNI305是MNI152的前身, 顧名思義來自305個健康人的MRI掃描影象. 腦成像國際聯盟(The international consortium for brain mapping ，ICBM）採用了MNI305 作為他們的模板, 這就是後續的SMP99標準模板. 腦成像國際聯盟推薦的另外一個模板是ICBM152, 在神經成像研究中，大部分研究者均採用該模板作為大腦模板。
隨後，腦成像國際聯盟ICBM又推出一個更具有代表性的模板：ICBM452，將452個人大腦通過轉換與ICBM305匹配之後的結果，但是目前ICBM452的使用範圍比較小。
腦成像模板的大致歷程可以總結為:
MNI305 → MNI152 → ICBM152 → ICBM452
不管是MNI305還是ICBM152模板， 如下圖, 第一列average 305, 第三列是ICMB152, 第四列是NLICBM152 , 清晰度都差強人意. 為了得到更加清晰的大腦圖，蒙特利爾神經研究所對一位研究人員柯林·福爾摩斯（Colin Holmes）的大腦進行了27次掃描，將這些掃描的結果與MNI305進行配準，然後平均起來得到了更加清晰和精確的大腦圖，這就是柯林27（Colin27）標準大腦圖。目前，許多基於MNI大腦模板的神經成像結果圖均是在柯林27這個影象上進行顯示。
相關推薦
核磁資料處理之配準標準模板
說到registration,就必須要首先介紹一下模板.由於人腦存在個體差異, 掃描時候的影象在空間中的座標也不同, 研究時必須要首先消除個體差異,統一座標, 也就是需要將被試人員的大腦全部”訂正/配準”到標準模板上, 這樣後續才能進行統計分析. 目前國際上最
核磁資料處理: FSL系列之flirt命令
flirt 是FSL的線性修正工具. 官方提供了非常豐富的呼叫方式: - 命令Flirt可以啟動FLIRT的GUI + InvertXFM, ApplyXFM, ConcatXFM - 命令flirt 是命令列工具 - misc flirt util
核磁資料處理: FSL系列之segmentation工具FAST
fsl的segmentation工具: FAST (FMRIB’s Automated Segmentation Tool)將大腦組織的3D影響分解為不同的組織,比如灰質\白質\腦脊液等等, 同時還可以進行spatial intensity variations
Python資料處理之（三）Numpy建立array
一、關鍵字 array：建立陣列 dtype：指定資料型別 zeros：建立資料全為0 ones：建立資料全為1 empty：建立資料接近0 arrange：按指定範圍建立資料 linspace：建立線段
Python資料處理之（二）Numpy屬性
簡單介紹一下numpy中常見的三個屬性： ndim: 維度 shape: 行數和列數 size: 元素個數 使用numpy首先要匯入模組，為了方便
Python資料處理之（一）為什麼要學習 Numpy & Pandas？
今天我們介紹兩個科學運算當中最為重要的兩個模組，一個是numpy,一個是 pandas。任何關於資料分析的模組都少不了它們兩個。 一、主要用途： 資料分析 機器學習 深度學習 二、為什麼使用 numpy & pandas
Python資料處理之（四）numpy基礎運算1
一、一維矩陣的基礎運算 下例中 a和b是兩個屬性為array也就是矩陣的變數，而且二者都是1行4列的矩陣， 其中b矩陣中的元素分別是從0到3。 如果我們想要求兩個矩陣之間的減法，你可以嘗試著輸入：a-b,得到的結果是對應元素相減的結果也就是[10 19 28 37]，同理元素的相加相
Python資料處理之（七）Numpy array 合併
一、np.vstack() 對array的合併，我們可以想到按行、按列等多種方式進行合併。 vertical stack本身屬於一種上下合併，即對括號中的兩個整體進行對應操作。 >>> import numpy as np >>> A=np.a
Python資料處理之（十 一）Pandas 選擇資料
首先先建立一個6X4的矩陣 >>> import pandas as pd >>> import numpy as np >>> dates=pd.date_range('20181121',periods=6) >>
Python資料處理之（十）Pandas 基本介紹
一、Numpy 和 Pandas 有什麼不同 如果用 python 的列表和字典來作比較, 那麼可以說 Numpy 是列表形式的，沒有數值標籤，而 Pandas 就是字典形式。Pandas是基於Numpy構建的，讓Numpy為中心的應用變得更加簡單。 要使用pandas，首先需要
Python資料處理之（九）Numpy copy & deep copy
一、= 的賦值方式會有關聯性 首先匯入numpy並建立變數a,b,c,d >>> import numpy as np >>> a=np.arange(4) >>> print(a) [0 1 2 3] >>>
Python資料處理之（八）Numpy array分割
一、建立資料 匯入模組並建立3行4列的Array >>> import numpy as np >>> A=np.arange(12).reshape((3,4)) >>> print(A) [[ 0 1 2 3] [
Python資料處理之（六）numpy索引
一、一維索引 在元素列表或者陣列中，我們可以用如同a[2]一樣的索引方法，同樣的，在Numpy中也有相對應的表示方法。 >>> import numpy as np >>> A=np.arange(3,15) >>> prin
Python資料處理之（五）numpy基礎運算2
通過上一節的學習，我們可以瞭解到一部分矩陣中元素的計算和查詢操作。然而在日常使用中，對應元素的索引也是非常重要的。依然，讓我們先從一個指令碼開始 ： >>> import numpy as np >>> A=np.arange(2,14).resh
資料處理之函式的使用
1. 拼接：將值聯結到一起構成單個值。 Concat()拼接串，即把多個串連線起來形成一個較長的串。 例如：SELECT Concat(vend_name, '(', vend_country, ')') FROM vendors ORDER BY vend_name;2. note 一個未命名的列
Python資料處理之（十 五）Pandas 合併concat
一、要點 pandas處理多組資料的時候往往會要用到資料的合併處理,使用 concat是一種基本的合併方式.而且concat中有很多引數可以調整,合併成你想要的資料形式. 二、axis(合併方向) axis=0是預設值，因此未設定任何引數時，函式預設axis=0。 >
Hive資料處理之報表累計
資料： +----------+---------+--------+ | username | month | salary | +----------+---------+--------+ | A | 2015-01 | 5 | | A
Python資料處理之（十 八）10分鐘搞定matplotlib
Matplotlib 簡介 1.1 為什麼用 Matplotlib 1.2 Matplotlib 安裝 基本使用 2.1 基本用法 2.2 figure 影象 2.3 設定座標軸1 2.4 設定座標軸2 2.5 Legend 圖例 2.6 Annota
Python資料處理之（十 七）Pandas plot畫圖
這次我們講如何將資料視覺化. 首先import我們需要用到的模組，除了 pandas，我們也需要使用 numpy 生成一些資料，這節裡使用的 matplotlib 僅僅是用來 show 圖片的, 即 plt.show()。 import pandas as pd import num
Python資料處理之（十 六）Pandas 合併merce
要點 pandas中的merge和concat類似,但主要是用於兩組有key column的資料,統一索引的資料. 通常也被用在Database的處理當中. 依據一組key合併 import pandas as pd #定義資料集並打印出 left = pd.DataFrame({