Всем привет, мы снова встретились, я ваш друг Цюаньчжаньцзюнь.

Обязательно к прочтению новичкам в области магнитно-резонансной томографии.

• 1. Краткое обсуждение функциональных сетей мозга.
• 2. Построение различных модальных мозговых сетей
  • функциональная сеть мозга
  • структурная мозговая сеть
  • Сеть головного мозга белого вещества
  • взвешенная сеть
  • двоичная сеть
• 3. Интересный разговор о диаграммах рассеяния и коэффициентах корреляции
• 4. Преобразование сигналов ЭЭГ в частотной области.
• 5. Коррекция FDR в ф МРТ
• 6. Шаблон (маска)
  • 1. Шаблон (маска) часто ассоциируется с рентабельностью инвестиций.
  • 2. Принцип функции маски
  • 3. Обычные маски
• 7. Проверка гипотез и размер эффекта
• 8. Стандартизация на уровне группы
• 9. Начнем с ALFF
• 10. Что касается компьютерного доступа к изображениям МРТ
• 12. Основные команды Linux
• 13. Краткое обсуждение стандартных шаблонов пространств и преобразований пространств.
  • 1: Стандартный шаблон пространства
  • 2: Преобразование пространства
• 14. Функциональное подключение
• 15. Связь между активацией мозга и функциональными связями
• 16. Краткое обсуждение сети малого мира.
• 17. Независимый анализ компонентов
• 18. Обобщенная линейная модель GLM (Часть 1)
• 19. Блок или событие? —— Обратный ответ от обработки данных о состоянии задачи
• 20. Блок или событие? — Обратный ответ от обработки данных о состоянии задачи (Часть 2)
• 21. Краткий разговор о радиомике.
  • 1 Получение данных изображения
  • 2 Сегментация опухоли
  • 3 Извлечение особенностей изображения
  • 4 Анализ данных
    • 4.1 Скрининг признаков (уменьшение размерности)
    • 4.2 Создание модели: классификация, прогноз
  • 5 вспомогательная диагностика
• 22. Краткое описание методов анализа состояния задачи. Вы все еще застряли в эпохе активации с одной переменной?

1. Краткое обсуждение функциональных сетей мозга.

первый,Студент А учился у неголюди ТамПоследовательности сигналов были получены для каждой области мозга. Во-вторых, рассчитывается корреляция (корреляция Пирсона) между любыми двумя сигнальными последовательностями. Таким образом, рассматривая области мозга как узлы, а значения корреляции как ребра, строится функциональная сеть!

Сигнальные последовательности в областях красного мозга（иметь в виду）и Сигнальные последовательности в синих областях мозга（иметь в виду）Делатьодин ВнизСвязанный,Это значение FC в красной зоне и синей зоне.,То есть значение соединительного края между красным и синим мозговыми интервалами.

так,ВключатьБыли построены два узла (область красного мозга и область синего мозга) и минимальная «мозговая сеть» со соединенными ребрами.。когданас Пучокпроизвольныйдваиндивидуальныймозг区Сигналпоследовательностьиз Связанный Рассчитать Приходитьназад,Полная мозговая сеть рассчитана!

2. Построение различных модальных мозговых сетей

Существует пять способов построения различных модальных мозговых сетей: функциональная сеть мозга、структурная мозговая сеть, сеть волоконных путей белого вещества, взвешенная мозговая сеть、двоичная сеть

функциональная сеть мозга

（1）функциональная сеть мозга：первый,Последовательности сигналов были получены для каждой области мозга. Во-вторых,Рассчитайте Связанный (Пирсон Связанный) между любыми двумя сигнальными последовательностями. Думайте об областях мозга как об узлах,Связанныйценитьдлясторона,Путем соединения краевых узлов создается функциональная сеть.

структурная мозговая сеть

（2）структурная мозговая сетьиз2способ построить：

Метод 1: предположим, что у нас 100 субъектов.,РассчитатьСреднее значение плотности серого вещества (GMV) области красного и синего мозга.,получил100 красная зона GMV и 100 синяя зона GMV。Пучок红区из100индивидуальныйGMVценитьи蓝区из100индивидуальныйGMVценитьДелать Связанный,СразуполучилЗначение Связанного в красной зоне и синей зоне,То естьСоединительный край красной зоны и синей зоны.。когданас Пучок所иметьмозг区间изGMVСвязанный Рассчитать Приходитьназад,Сразуполучилтак называемыйизСтруктурные коварные сети мозга。

Способ2：假设Каждыйиндивидуальный Предмет都Сканирование Т1 проводится каждые три месяца, и на данный момент оно сканировалось 12 раз.。Такверно Каждыйиндивидуальный Предметиз红蓝мозг区,12 значений GMV можно рассчитать отдельно。верно红蓝мозг区из12индивидуальныйGMVценитьДелать СвязанныйПрямо сейчас得到红蓝мозг区间из连接ценить。

Сеть головного мозга белого вещества

（3）Сеть головного мозга белого вещества：первый,На основе изображений DTI технология отслеживания волокон (например, детерминированное отслеживание волокон) может использоваться для отслеживания волоконных путей в двух областях мозга.“Если между двумя областями мозга есть волоконные пути, считается, что между ними существует связь, а сила связи равна количеству волоконных путей.。То есть,В детерминированном отслеживании волокон,кобласти мозга как узлы,Количество волоконных трактов используется в качестве критерия для построения сети белого вещества мозга.。Так же,Каждый человек может получить волоконную сеть мозга。

взвешенная сеть

（4）взвешенная сеть：Каждыйиндивидуальныймозг网络都可квыражатьдляматрица смежностииз形式,Горизонтальная и вертикальная оси представляют собой числа областей мозга.,Место пересечения горизонтальной и вертикальной линий является значением связи соответствующего мозгового интервала.,Такая сеть являетсявзвешенная сеть。”

двоичная сеть

（5）двоичная сеть：настраиватьодининдивидуальныйпорог,когдаКогда значение соединения больше этого порога,Просто посмотрите на для1 (с подключением), когда он меньше этого порога;,Просто смотреть для0 (без связи),так Просто возьмиодининдивидуальный只区分иметь连接или者无连接издвоичная сеть。на самом деле,насМногие показатели мозговой сети (несоответствие, локальная эффективность и т. д.) находятся в двойственном Рассчитано на сеть

（толькоЗамените временные точки темой）

"Смотреть,функциональная сеть мозгаПоскольку ты уже это знаешь,Сейчассмотретьодин Внизструктурная мозговая сеть。“

• Предположим, у нас есть 100 субъектов.,и Рассчитать ПонятноСреднее значение плотности серого вещества (GMV) области красного и синего мозга.,получил100 красная зона GMV и 100 синяя зона GMV。
• Так же,Пучок红区из100индивидуальныйGMVценитьи蓝区из100индивидуальныйGMVценитьДелать Связанный,СразуполучилЗначение Связанного в красной зоне и синей зоне,То естьСоединительный край красной зоны и синей зоны.。
• когданас Пучок所иметьмозг区间изGMVСвязанный Рассчитать Приходитьназад,Сразуполучилтак называемыйизСтруктурные коварные сети мозга。только,Эту мозговую сеть может построить только группа субъектов.

(Тот же субъект, сканированные изображения Т1 каждые три месяца)

"Конечно,структурная мозговая сеть也可к仿照функциональная сеть мозгаиз Способ构建。смотреть我画из Нет.二张картина,

• 假设Каждыйиндивидуальный Предмет都Сканирование Т1 проводится каждые три месяца, и на данный момент оно сканировалось 12 раз.。Такверно Каждыйиндивидуальный Предметиз红蓝мозг区,12 значений GMV можно рассчитать отдельно,
• верно红蓝мозг区из12индивидуальныйGMVценитьДелать СвязанныйПрямо сейчас得到红蓝мозг区间из连接ценить。
• таким образом,Каждый субъект может получить соответствующую структурную мозговую сеть., это похоже на функциональную? сеть мозга？”

（Прослежены красные и синие интервалы мозга.5 пучков волокон, по-прежнему волнистый стиль рисования）

Сейчассмотретьодин ВнизСеть головного мозга белого вещества。первый,На основе изображений DTI технология отслеживания волокон (например, детерминированное отслеживание волокон) может использоваться для отслеживания волоконных путей в двух областях мозга.”

(Значение связи между красным и синим мозговыми интервалами равно 5)

“Если между двумя областями мозга есть волоконные пути, считается, что между ними существует связь, а сила связи равна количеству волоконных путей.。То есть,В детерминированном отслеживании волокон,нас可ккобласти мозга как узлы,Количество волоконных трактов используется в качестве критерия для построения сети белого вещества мозга.。Так же,Каждый человек может получить волоконную сеть мозга,Разве это не очень просто? "

（взвешенная мозговая сетьизматрица смежностивыражать）

«Пока вы уже знаете 4 способа построения мозговых сетей. Здесь я добавлю еще одно понятие: взвешенная сетьидвоичная сеть。Каждыйиндивидуальныймозг网络都可квыражатьдляматрица смежностииз形式,Обратитесь к изображению выше,Горизонтальная и вертикальная оси представляют собой числа областей мозга.,Место пересечения горизонтальной и вертикальной линий является значением связи соответствующего мозгового интервала.（颜色Следовать连接ценить大小变化）,Такая сеть являетсявзвешенная сеть。”

（двоичная сетьизматрица смежностивыражать）

«Мы можем установить порог,Когда значение соединения больше этого порога,Просто посмотрите на для1 (с подключением), когда он меньше этого порога;,Просто смотреть для0 (без связи),так Просто возьмиодининдивидуальный只区分иметь连接или者无连接издвоичная сеть。на самом деле,нас Многие показатели мозговой сети (несоответствие, локальная эффективность и т. д.) находятся в двойственном Рассчитано на сеть…”

3. Интересный разговор о диаграммах рассеяния и коэффициентах корреляции

Говоря оСвязанныйкоэффициент,Это видно из буквального значения.,то естьСвязанный характер между двумя сигналами。ноты真正понимать内существоватьиз机理吗？

Вывод ставится впереди: коэффициент корреляции фактически получается с помощью диаграммы рассеяния.

Все начинается с этой картинки:

Рисунок 1: Ссылка: JamesAH, BMJ, 1995, 311: 1668.

Был человек, который измерил «масштаб» группы людей. Эта «шкала» включает возраст и длину ушей. Таким образом, он получит небольшую двумерную таблицу, как показано ниже:

Рисунок 2: Симпатичная маленькая двухмерная масштабная форма.

Затем он отметил на миллиметровой бумаге,Настройка координат по оси X для возраста,Координата по оси Y задает длину уха. Тогда каждая линия является точкой,То естьобъяснять：Каждый пункт верно соответствует информации о предмете。

Сразу после этого,Он жестикулировал руками,рисоватьЛиния, которая лучше всего соответствует тренду разброса（Подгонка или метод наименьших квадратов）。так Он узнал：Чем ты старше, тем длиннее твои уши。Ps：Неудивительно Приходить Уши Будды такие длинные,соединять Приходить可к绕地球одинзапереть。

Рисунок 3: Диаграмма рассеяния и линия аппроксимации (оранжевая), слева: положительная корреляция; посередине: некоррелированная, справа: отрицательная корреляция;

На самом деле, позвольте мне сказать вам, что сейчас тренд оранжевой линии аппроксимации — это корреляция. Если эта линия идет к верхнему правому углу, это положительная корреляция; если эта линия идет к правому нижнему углу, это отрицательная корреляция, если эта линия горизонтальна, это означает отсутствие корреляции.

Но идеал прекрасен,Реальность жестока. Реально получить данные для расчета Связанного коэффициента,Будет определенная степень Связанного,Действительно нет Связанныйиз例子太少太少。впередодин Прошло некоторое времяодинв статье говорится：середина国三峡大坝да影响日本地震из原потому что。该文объяснять这индивидуальный Связанный Секс по-прежнему очень, оченьСущественноиз。

Возникает вопрос: как расчет коэффициента корреляции может быть значимым?

Внимание, картинка!

Я сделал кучу фотографий,Приведенный выше пример недостаточно уместен.,Я должен сделать наклоны этих графиков согласованными (связанные коэффициенты согласованы).,Но не беспокойтесь о деталях。小伙伴们иметь没иметьсмотреть到картинаначальствоизPценить,那индивидуальныйpценитьто есть Связанныйиз Существенносекс。нас可к很轻松из发现：Всего несколько разбросанных точек,Чем ближе к кривой подгонки,Тогда тем сильнее Существенно. Чем более разбросаны точки,Существенносекс越差。

кначальство几точкадеталь部分特此Делатьодининдивидуальныйобъяснять明：

1. При построении точечной диаграммы различают белые и черные точки. Белые точки на изображении удаляются и выделяются черные точки.

2、Очки исключаются на основе очков, дисперсия которых превышает трехкратное количество очков.（картинасередина色彩斑斓иззапереть,Это граница отклонения в n раз)

3、Существует определенная связь между коэффициентом Связанный и наклоном.,Можно сказать,Чем ближе наклон к 1,Чем больше коэффициент Связанный. (Коэффициент Связанного равен -1~1),Где 0 означает не связанный,1Представляет праведность Связанный,-1представляет собой отрицательный Связанный。

4. Как нарисовать наиболее подходящую линию: три метода эквивалентны.,得到изчислоценитьдаодин样из。（метод наименьших квадратов = примерка на один раз = возвращение）

5. В этой статье речь идет о Связанном,指代Пирсон Связанный

в:

Корреляция Пирсона ρ, ковариация Cov(x,y), стандартное отклонение σx σy

Примечание. В формуле нет расчета уровня значимости, интерпретация значимости понятна автору. В Matlab рассчитанный коэффициент корреляции имеет значительный выход. Эта значимость не была исправлена ​​для множественных сравнений. Для исправлений, пожалуйста, смотрите следующий толчок.

Сейчас Сказав так много,позволь мне сказать тебе,одиннекоторые в видунаукаДиаграмма рассеяния для домена Приходитьобъяснятьиз本质：

1、Функциональная связь: Функциональная связь最早из定义то есть Пирсон Связанный,иФункциональная связь — это диаграмма разброса временных точек между двумя областями мозга.

2、结构начальствоизковариантное соединение：ковариантное соединениеда用得最早из,До магнитного резонанса,Предыдущее исследование ПЭТ, проведенное людьми, заключалось в использовании ковариантного соединения. Проще говоря,Это диаграмма рассеяния между двумя областями мозга A и B.

3. Регрессия. Обнаружили ли вы, что регрессия тоже такая же?

4. Преобразование сигналов ЭЭГ в частотной области.

Принцип преобразования сигналов ЭЭГ в частотной области

При обработке данных ЭЭГ нам часто необходимо преобразовать сигнал во временной и частотной областях. Многие новички провели некоторый анализ временной и частотной областей, но до сих пор не имеют интуитивного понимания сигналов во временной и частотной областях. Итак, что же такое сигнал во временной области? Что такое сигнал в частотной области?

Во-первых, понять сигналы временной области просто. Что такое сигнал во временной области? Это сигнал со временем в качестве горизонтальной оси и значением данных в качестве вертикальной оси. Например:

верно Что касается электрического сигнала нашего мозга, то электрическая волна мозга, которую мы видим для каждого канала, является сигналом. во временной области。нас经常听到изСобытие Связанный потенциал（ERP）,Слишкомсигнал во временной области,Просто после того, как событие (например, экспериментальный стимул) происходит,появятся сигналы ЭЭГодининдивидуальный波形罢Понятно。напримертакиз：

Через 300 мс после события (0 секунд) появляется положительный сигнал, который может быть компонентом P300 (Положительный, 300ms）。нас Пучок300msсказатьдляпериод инкубации,высота сигнала,Это 350 мк В,сказатьдляАмплитуда。

на самом деле,в реальностимирсередина,Различные типы данных, которые мы собираем,По большей частисигнал во временной области。доодин Появляется великий бог,他то естьФурье！

Что открыл Мастер Фу? Он обнаружил, что периодические функции, подобные приведенной ниже, могут быть приближенно представлены суперпозицией серии синусоидальных (и косинусоидальных) волн. Представьте себе прямоугольную волну, которая может состоять из большой волны, маленькой волны, маленькой волны и маленькой волны. Выразите это так! Как показано ниже.

Более того, не только прямоугольные волны, но и любая периодическая функция, подобная приведенной ниже, может быть представлена ​​суперпозицией серии (бесконечных) синусоидальных и косинусоидальных волн.

То есть,

Мы учили в средней школе математику,одининдивидуальныйСинусоидальная (косинусная) волна,可к由частота、Амплитуда、Фазатри Приходить决定

так называемыйчастота,Всего за 1 секунду,这индивидуальный波形走Понятно几индивидуальный周期；так называемыйАмплитуда,то естьвысота сигнала；так называемыйФаза,то естьсуществоватьКакой стадии цикла достиг сигнал в момент времени 0?。так,Сейчас,нас知道原Сигнал可к由один Разные сериичастотаиз Синусоидальная (косинусная) волна Приходитьсоставляют,Как показано ниже:

Затем мы берем частоту за горизонтальную ось, а амплитуду за вертикальную ось и рисуем диаграмму спектра исходного сигнала, как показано на рисунке ниже. Таким же образом можно нарисовать и фазовый спектр.

Однако,Большинство сигналов непериодические.,Фурьетрансформировать для непериодических сигналовКак насчет этого？Не волнуйся,Дядя Фу тоже дал ответ.

Апериодические сигналы не имеют периодичности.,такПосле конвертации исходного сигнала в Фурьетрансформировать,существоватьчастотная областьначальство,需хотеть用到所иметьчастота（и不даидентификацияизодиннекоторыйчастотаточка）才能Пучок原Сигналвыражатьвне Приходить。

Иди дальше,现实серединанас能Все собранные сигналы представляют собой конечные непериодические дискретные сигналы.,Итак, еще разлюди На основе дискретного ФурьетрансформироватьпредложенныйFFT（Фаст Фурьетрансформировать）алгоритм,Собранные нами дискретные сигналы можно приближенно выразить как совокупность сигналов серии точек частоты (не превышающей половины частоты дискретизации). так,Сейчаснас明白Понятно,так называемыйизчастотная область Сигнал,то есть Пучок原Сигналкчастотадля横轴выражатьвне Приходить。

существоватьверноПосле того, как сигнал каждого канала преобразуется в частотную область,,Затем мы можем изучить информацию о конкретной частоте или частоте. Именно потому, что мы обнаружили, что Амплитуда с разными сигналами ЭЭГ будет вызывать соответствующие изменения в конкретных условиях.,Мы только что определили диапазоны мозговых волн, такие как альфа-волны (813 Гц) и бета-волны (1330 Гц).,Иди сюда,Весь процесс знаком?

Объяснение быстрого Фурье: https://blog.csdn.net/enjoy_pascal/article/details/81478582.

5. Коррекция FDR в ф МРТ

Когда мы закончим набор субъектов,После получения данных,Полная предварительная обработка,статистика,Пройдите пять уровней и убейте шесть генералов.,Когда я пойму, что скоро у меня разовьется ТСМ и я достигну пика своей жизни.,Прошу прощения,Вам еще нужно встретитьсяверно最残酷无情извернорука：Поправка на множественные сравнения,напримерКалибровка ФДР。

(Представлено Glass Brain,Вы можете делать все, что захотите,иметьзона активацииВы выиграли！）

Так что же такое множественное сравнение, что такое Калибровка ФДРШерстяная ткань？Множественные сравнения — это термин в статистике. Когда мы проводим многочисленные статистические проверки,Количество ложных срабатываний увеличится,такхотетьверно假阳секс进ХОРОШО校正。

Давайте сначала объясним некоторые концепции: в качестве примера возьмем данные о состоянии задачи.,先смотретьодининдивидуальный体素。ТакНулевая гипотеза (H0): этот воксель не активирован.。Статистический вывод был сделан на основе нулевой гипотезы и получен P=0,02. < 0.05。такнасОтклоните нулевую гипотезу и сделайте вывод, что воксель активируется.。пожалуйста, обрати внимание：нассделать выводиз这индивидуальныйрезультатиметьвозможныйда错из,То естьобъяснятьиметьвозможныйНулевая гипотеза была ошибочно отвергнута. Эта вероятность совершения ошибки называется частотой ложных срабатываний.。这индивидуальный例子里лапшаЛожноположительный уровень = 2%,То естьобъяснять该Вероятность того, что этот вывод об активации вокселей окажется неверным, составляет 2%.。насодин Общий Существенносекс水平设置дляP=0.05。Таксуществовать1000Второсортный假设тестсередина,假阳сексизрезультат Сразуиметь1000*0,05=50 раз。нас希望издаЧем меньше ложных срабатываний, тем лучше,такхотетьверно假阳секс进ХОРОШО校正。这индивидуальный过程Сразусказать之дляПоправка на множественные сравнения。

Так что же такое коррекция FDR?

Давайте сначала объясним три показателя: Vaa,Via, Da=Vaa+Via。这индивидуальный三индивидуальный指标выражатьиздасуществоватьV（напримерздесьV指体素индивидуальныйчисло）Второсортный测试середина,Сколько раз появлялся каждый из них?。Vaa указывает, что воксель должен быть активирован (действительно активен).,нас进ХОРОШОСтатистический вывод показал, что он действительно активировал（Declared active）。Via указывает на то, что воксель не следует активировать.（Truly inactive）,нас进ХОРОШОСтатистический вывод показал, что он действительно был активирован (объявлен активным).。Daвыражатьнас发现изКоличество активированных вокселей。从начальстволапша可ксмотретьвне,Ваа - это то, чего мы хотим, результат,иVia不данас想хотетьизрезультат（Здесь Via — количество ложных срабатываний.）,поэтомунасхотетьКонтролируйте количество раз появления Via。FDR公式нравиться Вниз：

Альтернативно мы можем выразить формулу на китайском языке:

Калибровка ФДР входит в число обнаруженных активированных вокселей (Da),Количество вокселей с ложными срабатываниями (ложными срабатываниями) (Через)。здесьхотеть Примечание意иРазница между коррекцией FWE. Что корректирует FWE, так это количество ложноположительных вокселей среди всех обнаруженных вокселов.

Последний пример: предположим, что в мозгу всего 50 000 вокселей (V = 50 000).,проходить假设тест发现иметь20000индивидуальный体素изP<0.05,То естьобъяснятьDa=20000。Уровень коррекции FDRиFWE установлен на 0,05.。ТакFDR говорит, что среди 20 000 активированных вокселей количество ложноположительных вокселей не превышает 20 000*0,05=1000.。FWE сообщает, что среди 50 000 вокселей (включая обнаруженные активированные и неактивные воксели) количество ложноположительных вокселей не превышает 50 000*0,05=2500.。FWE более строгий, чем FDR,Это потому чтодляFWE контролирует количество ложных срабатываний во всем мозге,Рузвельт контролирует активацию нашего открытия (заявлено Количество ложных срабатываний в активных вокселах).

Подведем итог в трех предложениях: （1）когда同одининдивидуальныйчисло据集иметьnВторосортный（n>=2）При проверке гипотез,хотеть Делать多重假设тест校正 (2) Для коррекции Бонферрони пороговое значение p делится на n для коррекции, так что значение p дифференциального скрининга генов Отсечение меньше, что делает результаты более строгими. (3) Коррекция FDR заключается в корректировке каждого значения p и преобразовании его в значение q. q=p*n/rank, где ранг относится к порядку, в котором значения p сортируются от меньшего к большему.

Приведите конкретный пример:

Мы измерили экспрессию генов М в общей сложности в 5 точках времени A, B, C, D и E и обнаружили среди них дифференциальные гены. Конкретный метод: (1) Сначала выполните ANOVA, чтобы определить, какие гены среди этих M-генов имеют хотя бы различия. (2) Попарные сравнения между 5 временными точками, всего 5*4/2=10 сравнений, затем n=10 для проверки множественных гипотез. (3) Каждый ген имеет 10 значений p после 10 проверок гипотез. Выполните множественную коррекцию теста гипотезы (n = 10), чтобы получить значение q. (4) Определите, в каких двух группах имеются различия на основе значения q.

Рассчитайте значение P каждого белка с помощью статистических методов, таких как T-тест. Т-тест — это широко используемый статистический метод обнаружения дифференциальной экспрессии белков. Он оценивает, экспрессируется ли определенный белок по-разному в двух образцах, путем объединения переменных данных между образцами. Однако, поскольку размер выборки обычно невелик, оценка генеральной дисперсии не очень точна, поэтому эффективность Т-теста будет снижена, а если Т-тест используется несколько раз, количество ложноположительных результатов значительно возрастет. увеличивать. Например, когда значение p определенного белка меньше 0,05 (5%), мы обычно думаем, что экспрессия этого белка в двух образцах различна. Но все же существует 5%-ная вероятность того, что этот белок не является дифференциальным белком. Затем мы ошибочно отвергли нулевую гипотезу (отсутствие дифференциального выражения в двух выборках), что привело к ложному положительному результату (вероятность ошибки составляет 5%). Если тестировать один раз, вероятность допустить ошибку составляет 5%; если тестировать 10 000 раз, количество ошибок равно 500, а это значит, что есть еще 500 выводов о различиях (даже если разницы на самом деле нет). Чтобы контролировать количество ложных срабатываний, нам нужно скорректировать значение p для многократного тестирования и увеличить порог.

Способ 1.Бонферрони

«Самый простой и суровый метод»

Например, если мы проверим 1000 раз, мы установим порог 5%/1000 = 0,00005, даже если мы проверим 1000 раз, вероятность ошибки останется равной N×1000 = 5%. В итоге ожидаемое количество ошибок оказалось меньше одной, что исключило всякую вероятность ложных срабатываний. Хотя этот метод прост, тест слишком строгий, в результате чего белки не обнаруживаются в значительной степени (ложноотрицательные результаты).

Метод 2. Уровень ложного обнаружения

«Более мягкий метод коррекции значений P»

Метод контроля ошибок FDR (коэффициент ложных срабатываний) — это метод, предложенный Бенджамини в 1995 году. Основной принцип заключается в определении диапазона значения P путем управления значением FDR. По сравнению с Бонферрони, FDR использует относительно мягкий метод коррекции значения p. Он пытается достичь баланса между ложноположительными и ложноотрицательными результатами и контролировать соотношение ложных/истинно положительных результатов в определенном диапазоне. Например, если мы тестируем 1000 раз и устанавливаем порог 0,05 (5%), то независимо от того, сколько дифференциальных белков мы получим, вероятность ложноположительных результатов для этих дифференциальных белков остается в пределах 5%, что называется FDR <5. % . Так как же нам оценить FDR по значению p? Люди разработали несколько различных моделей оценки. Наиболее часто используемым методом является метод Бенджамини и Хохберга, называемый методом БХ. Хотя эта формула оценки не идеальна, она может решить большинство проблем. Главное, что она проста и удобна в использовании!

Как рассчитать ФДР

Помимо использования метода расчета BH Excel, для больших данных мы рекомендуем использовать команду R p.adjust.

1. Мы вводим серию значений p, метод коррекции (BH) и количество всех значений p (длина§) в функцию p.adjust. 2. Отсортируйте серию значений p от большего к меньшему, а затем используйте следующую формулу для расчета значения FDR, соответствующего каждому значению p. Формула: p * (n/i), p — значение p этого теста, n — количество тестов, i — идентификатор позиции после сортировки (например, значение i наибольшего значения P должно быть n, а второй по величине — n -1, наименьший — 1). 3. Присвойте вычисленное значение FDR отсортированному значению p. Если значение FDR, соответствующее определенному значению p, больше значения FDR, соответствующего предыдущему значению p (предыдущему при сортировке), то вычисляется формула для. значение FDR, выберите то же значение, что и предыдущее. Следовательно, произойдет явление непрерывного одного и того же значения FDR, в противном случае вычисленное значение FDR будет сохранено; 4. Измените порядок значений FDR в порядке исходного значения p и верните результат. Наконец, мы можем использовать скорректированное значение P для последующего анализа.

https://blog.csdn.net/zhu_si_tao/article/details/71077703

6. Шаблон (маска)

Здесь автор рассказывает о маске, а также о техниках и принципах ее использования.

Кто такой Маска и что она делает?

1. Шаблон (маска) часто ассоциируется с рентабельностью инвестиций.

(регион интересов, если вам нужно спросить меня, что такое регион интересов, я думаю, мы не на одном канале, оставьте это, это невозможно для нас обоих)

Когда я был ребенком, заполнял компьютерный лист с ответами, учитель делал дырки в правильных ответах, а затем считал их. Как показано на рисунке 1.

Рисунок 1: Машиночитаемая карточка с правильным ответом на рытье ямы (вообще, я думаю, лучше было бы на ней закрасить все Д. Конечно, я никогда этого не делал, потому что это даст ноль баллов, и вы должны хоть буквой С раскрась)

Правильным ответом, исправленным учителем, является вот этот лист ответов с отверстием в верхнем слое, который является маской. Благодаря функции маски ваш правильный ответ (ROI) будет четко отображаться с первого взгляда.

В исследованиях по визуализации мозга,Маска блокирует области, которые нас не волнуют.。（напримертысуществовать外лапша各种浪,Я хочу опубликовать сообщение в «Моментах», чтобы показать, насколько вы выдающиеся.,необыкновенный,Когда ты живешь со вкусом,Придется ли вам не показывать это своему боссу? В это время вы добавляете МАСКУ в свой круг друзей.,Если вы должны сказать, что не смеете блокировать своего босса,Все, что я могу сказать: Брат на высоте.,Пожалуйста, отдайте дань уважения моему младшему брату,ты очень общительный,Ты босс)

2. Принцип функции маски

用число学из Выражать式Приходитьописывать：Просто «умножить»。

用逻辑学из Выражать式описывать：Просто "и"。

Рисунок 2: Механизм обработки маски при расчете

так Сразу Пучок感兴趣из区домен Сигнал“520” Извлечено.

3. Обычные маски

Согласно нашим потребностям,ПучокmaskДелать成：Бинарные шаблоны, многозначные шаблоны, вероятностные шаблоны.

1) Бинарный шаблон:

二ценитьшаблонто есть ПростойизКарта порога,Поместите цифру 1 в белую область.,Наборы черных зон для номера 0. Полученная область — это та область интереса, которую мы хотим получить. Если вам нужно изучить серое вещество головного мозга,Затем просто отфильтруйте белое вещество, спинномозговую жидкость и области вне мозга.

Рисунок 3. Шаблон серого вещества головного мозга взрослого человека.

Никто не может остановить мой энтузиазм по изучению острова мозгов как высококлассного профессионального КОРОЛЕВСКОГО игрока! Что делать, если вы хотите выделить островковую область отдельно в виде маски? Что нам следует делать, если мы хотим использовать островок в качестве исходной точки? Затем используйте шаблон с несколькими значениями ниже.

2) Шаблон с несколькими значениями:

шаблон с несколькими значениямииз制делать过程可кдаанатомическая морфологическая сегментация,也可кдаОбласти со схожими функциями,По сравнению с бинарным шаблоном,шаблоны значений сторон Используйте несколько значений для определения различных областей мозга.,Фактически, простое и грубое понимание заключается в использовании одного шаблона для представления нескольких двоичных шаблонов.,существоватьздесь笔者都摆начальство Приходить给大伙儿смотретьсмотреть。

Рисунок 4: Шаблон AAL

нравиться Рисунок 4 показывает шаблон AAL,Каждыйодининдивидуальный颜色из区块представлятьодининдивидуальный不同из区домен。Разные цвета обозначают разные числа. Тогда конкретные цифры действительно соответствуют конкретным областям мозга.

Рисунок 5: Шаблон сети ye’s 7

и ЧтообъяснятьначальстволапшаизСтруктурный шаблон подразделяется на борозды и борозды коры головного мозга.,Функциональный шаблон (как показано на рисунке 5) разделен по функциональным областям мозга.。наснравиться果хотеть提Выбиратьидентификациямозг区изROI,Вы можете посмотреть таблицу (например, Таблица 1),Затем, после серии очень высококлассных, очень умелых и ужасающих операций (именно здесь наши высококлассные профессиональные игроки и обычные игроки различают,Обычные игроки могут просто взглянуть.,Никогда не подражайте,Заблуждения достигли моего уровня) **Бинарные шаблоны, которые можно получить из одного или нескольких участков мозга.

Таблица 1: Таблица соответствия между значениями многозначного шаблона и областями мозга

Примечание. Для создания функциональных шаблонов и исходных таблиц см. этот документ. Атлас мозгового тома человека. Новый атлас мозга, основанный на связной архитектуре.

ref：YeoBT, Krienen FM, Sepulcre J, Sabuncu MR, Lashkari D, Hollinshead M, Roffman JL,Smoller JW, Zollei L., Polimeni JR, Fischl B, Liu H, Buckner RL. Theorganization of the human cerebral cortex estimated by intrinsic functionalconnectivity. J Neurophysiol 106(3):1125-65, 2011.

3) Шаблон вероятности:

Чтобы определить, что такое серое вещество,Чтода白质изчас候насотвечать该额外из小心。Иногда на МРТ граница между серым и белым веществом не выглядит ни серой, ни белой.。（хотеть不然для Чтоfreesurfer估计из表лапшаиcat12估计из表лапша存существоватьодин定вне入Шерстяная ткань）На стыке серого и белого вещества имеются нечеткие участки.。具体想Пучок大мозг灰白质середина间这部分模糊区доменразделениеСтанет ли оно серым или белым веществом, нужно определить самостоятельно. Это породило вероятностные шаблоны.

Рисунок 6: Шаблон вероятности серого вещества

Рисунок 7: Шаблон вероятности белого вещества

Смотреть Рисунок 6. Шаблон вероятности серого вещества,然назадсмотретьсмотреть最初我говоритьиз灰质二ценитьшаблон。Да или нетиметь几分类似？Бинарный шаблон серого вещества создается путем выбора вероятности того, что серое вещество будет больше определенного значения.。Вероятностный шаблон играет ключевую роль на этапе пространственной стандартизации предварительной обработки SPM.。нравиться果您想用儿童изчисло据Сразу请существовать网начальство找找儿童изшаблон Приходитьпространственная аннотация。использовать для взрослыхлюдиизшаблон虽然能够Рассчитать差不多изрезультат。нопожалуйста, обрати внимание：нравиться果вычислить儿童число据用成людишаблон,Очень вероятно, что рецензент задаст вопросы.

7. Проверка гипотез и размер эффекта

В области МРТ головного мозга статистика является почти незаменимой частью. Многие программы, такие как SPM и FSL, могут выполнять статистический анализ. Мы привыкли к точкам и точкам. Но какой механизм стоит за этим?

первыйхотетьиметьНулевая гипотеза H0（Обычно предполагается, что определенного эффекта не существует.）иАльтернативная гипотеза H1 (при условии, что эффект существует)。然назадстатистикасделать вывод Получить значение P,нравиться果Pценить很小（напримерP<0.05）,Это означает, что этот инцидент произошел как небольшой инцидент с вероятностью.,Нулевая гипотеза не верна,Чтобы определить наличие эффекта（Да или нетиквперед学из反证法过程类似）。нравиться果Pценить过大（нравитьсяP>0.05）,На этот раз примите нулевую гипотезу. Что, если P=0,05? Я могу только сказать, что это смущающее значение P.,иметьлюдисказатьсуществоватьPсуществовать0.05 Когда оно рядом, оно маргинально значимо (конечно, некоторые люди не осознают этой маргинальной значимости). Здесь возникает еще один интересный вопрос: почему в качестве критического значения значимости используется 0,05?

Давайте перейдем к серьезным вещам и узнаем о некоторых важных концепциях статистики.

Подниматьодининдивидуальный实际из例子。环保局хотеть检查определенныйиндивидуальный工厂污染排放да否иметь问题。предполагалосьВерхний предел выбросов загрязняющих веществ составляет 3。Нулевая гипотеза заключается в том, что не существует проблем с выбросами загрязняющих веществ на заводе.,Бюро охраны окружающей среды направило людей для проведения выборочного обследования,发现该工厂изВыбросы загрязняющих веществ составляют 4,Итак, можем ли мы сделать вывод, что с фабрикой что-то не так? нет! Нам также нужна проверка гипотез,Получить значение P,нравиться果P>0.05,нас Сразу认длявыбросы загрязняющих веществ4сделан из ВСледовать机抽样误差引起из（刚好抽到Понятно污染多из地方）。нравиться果P<0.05,Это показывает, что завод серьезно загрязняет окружающую среду. Обратите внимание здесь. Мы сказали, что существует определенная вероятность того, что завод серьезно загрязняет окружающую среду, но это неверно.,То есть на заводе нет загрязнения,Агентство по охране окружающей среды считает, что оно серьезно загрязняет окружающую среду (несправедливо обвиняемые люди),这种错误сказать之дляОшибка I типа（также называетсяложноположительный уровень）。还иметьодинситуация,даЗавод сильно загрязняет окружающую среду, но Агентство по охране окружающей среды считает, что он не загрязняет окружающую среду.（Покрытие завода）,这种错误сказать之дляIОшибка I типа。具体смотреть Внизкартина：

Для приведенной выше диаграммы есть два правильных результата. Во-первых, фабрика не загрязняет окружающую среду, и Бюро по охране окружающей среды подтвердило отсутствие загрязнения; во-вторых, фабрика загрязняет окружающую среду, и Бюро по охране окружающей среды подтвердило, что она загрязняет окружающую среду. Эти два результата не требуют особого внимания. Нас больше интересуют ошибки типа I и ошибки типа II.

Так哪种错误更严重？верно В Бюро охраны окружающей среды Приходитьобъяснять,Определенно нельзя обижать людей.,так Следует учитывать контроль Ошибка I типа。IОшибка I Следствие такого типа: фабрика продолжает загрязнять окружающую среду, не подвергаясь наказанию, а окружающие люди продолжают терпеть загрязнение. верно Для окружающих людей необходимо контролировать ИОшибка I тип. Тогда идеальное решение — поставить IиIОшибка I типа Очень мало контроля,然и现实да不возможныйиз！！！！！напримерхотеть ПучокPконтрольсуществоватьP<0.0000000000001,Таким образом мы отвергаем H0 (проверяем очень внимательно). Затем нам нужно найти 1000 свидетельств загрязнения, чтобы P достигло такого маленького значения. Но на самом деле,результат Мы нашли только 20 улик,На этот раз я скажу себе: доказательств так мало.,На этом заводе не должно быть загрязнения! смотреть,IОшибка I типа Существенно роза. Так есть ли способ уменьшить IОшибку при наличии других условий? I типа Шерстяная ткань? Единственный способ — увеличить размер выборки (с увеличением размера выборки, скорее всего, будет найдено больше доказательств)! !

Мощность представлена ​​ниже. Мощность=1 – ошибка II рода. Ошибка второго рода – это когда завод действительно загрязняет окружающую среду, но Агентство по охране окружающей среды считает, что загрязнения нет. Тогда Пауэр имеет в виду, что фабрика действительно загрязняет окружающую среду, а Агентство по охране окружающей среды считает, что фабрика также загрязняет окружающую среду (оно правильно расправилось с этой вредной фабрикой). Таким образом, сила относится к способности правильно обнаруживать реальные различия. Чем больше Сила, тем больше способность обнаруживать различия. Статистический метод может обнаружить разницу, какой бы маленькой она ни была. Говорят, что эффективность этого статистического метода очень высока. Например, при сравнении ALFF двух групп людей, если мощность этого статистического метода равна 0,8, то есть есть реальные различия в 10 областях мозга, и я могу обнаружить 8 из них.

ВнизлапшаПредставляем размер эффекта.

Когда мы так усердно работали над сбором данных,статистикарезультат также Существенно (значение P довольно маленькое),Когда я чувствую себя идеально,внезапный обзорлюди Приходить Понятноодинпредложение：Пожалуйста, сообщитеодин Вниз Исследоватьизразмер эффект! . Вы можете спросить: Что это?

размер эффекта,Английское имядляeffectsize。Предположим, что средняя разница между двумя наборами данных используется для статистических выводов.,Получит значение статистики Значение T и значение P,нравиться果P<0.05,Тогда скажем разницу Существенно。问题датакиз Существенносексразницасуществовать实际серединаиметь没иметь用？статистикасделать вывод会受样本影响。например调查мужскойженский身高изразница,Партия проб была собрана в Чунцине.,发现мужскойсекс身高Существенновыше, чемженскийсекс。Так这种结论能否推广到Что它城市？Очевидно, нет.。На статистический вывод также влияет размер выборки.。например Изучите лечениеверно治疗抑郁症да否иметь效,Фактический результат таков, что экспериментальная группа в среднем на 4 балла выше, чем контрольная группа.,Оба набора номеров людей — 12людей.,стандартный差都да8。可квычислитьP>0.05,Не Существенно. Но когда число людей в двух группах увеличивается до 100 (средняя разница и стандартное отклонение остаются неизменными),Разница чрезвычайно Существенна. Но делать вывод об эффективности этого метода лечения неубедительно. Другими словами, статистически Существенно, достигнутая за счет увеличения размера выборки, может не иметь реального эффекта. Если значение P мало,норазмер Эффект также очень мал, а это значит, что даже если метод лечения эффективен, его нельзя использовать на практике. Только такое значение P маленькое, размер Эффект также является крупным методом лечения, который можно пропагандировать и использовать.

такразмер эффекта отражает, действительно ли разница «существенна» (не зависит от размера выборки),и**Pценить只反отвечать该разницасуществоватьстатистиканачальствода否Существенно。**напримерверно Ю, мужчины и женщинылюдичислоиз Существенноразница（Предполагая, что мужчиналюдичисло>женскийлюдичисло）,нравиться果размер Результат велик, а это означает, что если вы остановитесь на любой улице, вы увидите больше людей мужского пола, чем людей женского пола. Если размер Эффект очень мал, поэтому явление большего количества людей мужского пола, чем людей женского пола, может быть ограничено определенной локальной территорией (например, определенным научным и инженерным университетом!!!). Просто потому что для размера эффекта重хотеть,Вот почему Американская психологическая ассоциация выпустила уведомление в 1994 году.,Опубликованные отчеты об исследованиях должны включать определение размера эффекта.

Рисунок 2. Пример d-диаграммы Коэна

Внизлапша介绍Несколько видов размера Как рассчитать эффект:

8. Стандартизация на уровне группы

При обработке данных визуализации мозга,Игроки, которые только начинают, часто спрашивают: а какие игроки высокого класса?,Как стандартизировать пакет данных? Поскольку ты спросил,Нехорошо, если я ничего не скажу.,Этот выпуск журнала «Dahua Brain Imaging»,нас专门Приходить讨论这индивидуальный问题！Также подчеркните：本文所иметь“стандартизация”Все относятся кПреобразование Z-оценки одного набора данных,Нет预处理часкартина像匹配到стандартныйшаблон那индивидуальныйшаг！

В области МРТ стандартизация часто сопровождается Обработкой. данныхистатистика。При оценке изображений мозга используется только одинодин Предмет Приходитьописывать往往显得不大合理,таксуществоватьанализироватьчисло据час常常采用пакетный анализ。Преобразование оценки отдельных предметов в группу предметов требует введения стандартизации.。существовать不同измозг影像处理методсередина,Размеры показателей часто различаются,существовать各индивидуальный指标之间水平Взаимно差巨大изчас候нравиться何进ХОРОШО统одинанализировать？Избегайте из-задля Зоны с разными размерами Приходитьиз假результат？существовать重测часнравиться何保证число据из可重复секс？这Сразу需хотетьверночисло据进ХОРОШОстандартизация。

В настоящее время существует множество методов стандартизации.,Различные методы стандартизации будут иметь различное влияние на оценку.,Но стандарта в выборе метода стандартизации данных не существует. Это требует от нас понимания механизмов и возможных проблем различных методов стандартизации.,方便насиметь需хотетьизчас候进ХОРОШО合理选择。Основная цель стандартизации на уровне группы (стандартизации) — масштабировать и масштабировать группу данных, а также превращать многомерные данные в безразмерные.。**无量纲из Обработка данныхиз好处существовать В不用考虑число据из物理含义,Вы можете складывать, вычитать или сравнивать данные в разных единицах или величинах. **Итак, мы представляем сегодняшнюю цель: Z-показатель — Z-показатель. (Стучать по доске,выделять)

для В целях снижения читательской нагрузки читателей,Наши математические формулы объяснены графически (посмотрите, насколько вы хороши в игроках высокого класса). **Z-показатель: набор данных минус среднее значение, разделенное на стандартное отклонение. **После нормализации Z-показателя.,Данные внутри группы подчиняются стандартному нормальному распределению.（нравитьсякартина1：иметь в видудля0,Групповое стандартное отклонение для1). После крещения стандартизации Z-показателя,Все данные становятся чистыми количественными значениями без единиц измерения.。число据Делать过Z-scoreстандартизацияназад,Преобразование стандартного отклонения в единичное расстояние,Ненулевое значение Z-показателя указывает на расстояние от среднего значения (то есть 0). Посмотреть рисунок 1,По сути, 99,9% данных находятся в пределах трехкратного стандартного отклонения.

Рисунок 1. Стандартный график нормального распределения (из Википедии).

Примечание:

Математическое определение Z-оценки:

Среди них: Z — показатель Z, x — набор значений данных, μ — среднее значение (или выборочное среднее), а δ — стандартное отклонение (или выборочное стандартное отклонение).

При использовании нормализации Z-показателя следует учитывать две проблемы:

(1) Эта «группа» — не та «группа»

При выполнении нормализации Z-показателя,Мы должны четко понимать, какую «группу» мы выбираем (определение). «Группа» здесь относится к ряду ценностей. Например: если определенная рентабельность инвестиций группы людей стандартизирована по Z-показателю.,«Группа» — это группа субъектов · последовательность значений сигнала ROI.。Если 3D- или 4D-карта мозга человека Z-нормализована,«Группа» — это все значения данных субъекта, области мозга и определенного момента времени. Обратите внимание на область мозга, упомянутую здесь.,Сигналы, представляющие области, не относящиеся к мозгу, не должны смешиваться в,Необходимо выбрать шаблон мозга этого субъекта.

У некоторых читателей могут возникнуть вопросы: какие области, не относящиеся к мозгу, оказывают огромное влияние на стандартизацию Z-показателя? Мы сможем понять, если подумаем о проблеме экстремально. Как показано ниже 4×6из矩阵представлять整индивидуальный大мозг区домен,Среди них красная рамка — это область мозга.,дваиндивидуальный非零元素представлять大мозг区доменчислоценить。по определению：Вычтите среднее значение, разделенное на стандартное отклонение.,плюс немозговые области,Среднее значение значительно снижено,Следовательно, это приводит к ошибке результата.

Рисунок 2: Крайние области мозга и внешние области.

(2) Разница между Z-показателем и Фишером-Z

многолюдисуществоватьZ-score и Fisher’s z трансформироватьначальстволапша傻傻分不清楚,включатьопределенныйнекоторый文章начальстволапша所得到изрезультатто есть错误из。потому чтодляопределенныйнекоторый文章ПучокZтрансформировать используется как fisher z。Z-score иFisher-Zна самом деленет контакта,нет контакта,нет контакт. Просто названия похожи, и в магнитно-резонансной томографии они часто используются одновременно. При использовании в данных неизбежна путаница. Z-оценка, также известная как Z-оценка, «большой Zтрансформировать», Fisher-z, также известная как Фишер z-преобразование, «малое z-преобразование».

Z трансформировать Фишера, в основном используется для нелинейной коррекции Связанных коэффициентов Пирсона.。потому чтодляОбычный коэффициент Пирсона Связанный не подчиняется нормальному распределению от 0 до 1.,При приближении абсолютного значения Связанного коэффициента к 1,Вероятностьстановитьсяочень очень маленький。Связанныйкоэффициентиз分布非常像断Понятнодва头из正态分布。так需хотетьпроходитьFisherz-transformationверно Пирсон Связанныйкоэффициент进ХОРОШО修正,так, чтобы оно удовлетворяло нормальному распределению.

Рисунок 3: zпреобразование Фишера (из Википедии)

Примечание:

Определение коэффициента корреляции:

fisher‘s z transformation：

Среди них: r – коэффициент корреляции, ln – натуральный логарифм.

Наконец, мы резюмируем это в одном предложении: стандартизация Z-показателя используется для обезразмеривания набора данных. После преобразования среднее значение данных равно 0, а стандартное отклонение равно 1.

9. Начнем с ALFF

У меня есть данные, собранные двумя центрами, но один центр собирает данные от нормальных людей, а другой — от пациентов. Могу ли я рассчитать ALFF и напрямую вычесть значения ALFF ф МРТ с двух разных аппаратов?

Чтобы ответить на этот вопрос,Мы можем разбить вышеуказанную проблему на следующие небольшие вопросы:,Если вы решите маленькие проблемы (маленькие цели), большие проблемы будут решены:

1. Что такое частотная область?

2. Что такое АЛФФ?

3. Почему следует (почему бы и нет) считать ALFF?

4. Можно ли вычесть ALFF напрямую?

Маленькая цель 1: Что такое частотная область?

частотадомен,Проще говоря: просто еще один способ описания сигналов.,ивременной Интервал аналогичен, за исключением того, что нам легче понимать временную Это просто интервал.

Проще говоря: это формула

Рисунок 1: Формулы сигнала, временной и частотной области

Вычисления в терминах частотной области никогда не будут синонимом ЭЭГ.,Напротив,Мы часто можем учиться у иностранцев и развивать навыки контроля над ними. Изменение угла зрения на проблему часто позволяет лучше изучить внутренний механизм мозга. Например, знания ЭЭГ применяются в области магнитно-резонансной томографии головного мозга. Конечно, нужно строго контролировать основополагающие принципы при его применении.,否则Сразу容易Делать成Понятно四不像。В конце этой статьи приведены некоторые ссылки в частотной области.

Поймите приведенную выше картину, и вы сможете перейти в частотную область.

маленькие цели2：Что такое АЛФФ?

Полное название ALFF: Amplitude of Low Frequency Fluctuations (низкочастотная амплитуда).

Автор нашел первую статью, рекламирующую ALFF, сделал скриншот, внес некоторые изменения и разделил ее на несколько крупных блоков для простоты понимания. (Запомните эту картинку, я буду использовать ее, чтобы поговорить о других вещах позже в серии изображений Dahua Brain Imaging _)

Рисунок 2: Процесс расчета ALFF

Откуда берется ALFF Определение в статье такое: Амплитуда низкочастотных колебаний (низкочастотная амплитуда)

а) Сначала нужно посмотреть « Low Frequency （низкая частота）”。Для достижения низкочастотного сохранения сигналов магнитного резонанса, естественно, используется фильтр нижних частот.(Примечание1)。Немедленно подайте в фильтр нижних частот фильтр нижних частот filter выполнитьA->Bизшаг。

b）временной интервалначальстволапшасмотреть腻Понятнокназад,想смотретьсмотретьчастотная областьначальствоиметь没иметь Чтовне彩из地方。так需хотеть Пучоквременной Преобразование сигнала по интервалу в частотную областьначальствосмотретьсмотреть。Простой Приходитьобъяснятьто есть换одининдивидуальный视角,Пучоксигнал во временной области Конвертируйте в спектр и посмотрите (Примечание 2). Здесь следует отметить одну вещь. Что обозначают абсцисса и ордината на рисунках B и C соответственно? BкартинаиCкартинаиз纵坐标都представлять着Сигнализсила。Абсцисы не одинаковы,Один представляет время,кроме тогоодининдивидуальныйпредставлять着частота。так Сразувыполнить ПонятноB->C。

c）Извлеките квадратный корень из значения ординаты каждой точки в верноC и извлеките квадратный корень.,Получите Д.

d）верно усредните эту линию (вычислите среднее значение каждой дискретной точки), чтобы получить E。в E Это расчетное значение ALFF (найти амплитуду).

e）剧本不датак写из,Как можно было потерять «F»! На самом деле,Не беспокойтесь об этих деталях,Карта F основана на E, разделенном на среднее значение ALFF каждого воксела во всем мозге, а затем стандартизированном по среднему значению.

В одном предложении, изучив определение, вы поймете, что такое ALFF.

Примечание 1: Для облегчения понимания часть а) описывается как фильтр нижних частот, что не является достаточно строгим. ALFF рассчитывается внутренне с использованием полосового фильтра, поскольку физиологическое значение в диапазоне сверхмедленных частот является спорным. В некоторых статьях считается, что крайне низкочастотные сигналы относятся к низкочастотному дрейфу и изменяются с повышением температуры магнитно-резонансной машины. Оппоненты считают, что чрезвычайно низкочастотные сигналы имеют физиологическое значение и могут отражать ритм спонтанных колебаний (биологические часы) внутри организмов.

Примечание 2: б) Некоторые высококлассные игроки спросят,Согласно сводке на рисунке 1,временной интервал При преобразовании домена длячастота, помимо амплитудного спектра, должен присутствовать еще Фаза спектра.,исуществовать Рисунок 2середина却没иметь Фаза Спектр。绝大число文章ДелатьFFTизчас候都只考虑Понятновиз幅频Спектр,И потерял спектр Фаза。换предложение话объяснять,Некоторая информация теряется при вычислении ALFF для преобразования временного интервала в частотную область.。Некоторые документыдля Понятно捡回这部分信息,Использование динамического метода ALFF。но Автор считаетдля这种метод没иметь直接用Фаза Спектр Приходить Отличная работа。

Маленькая цель 3: Зачем (почему бы и нет) рассчитывать ALFF?

а) Почему следует:

для Чтохотеть用ALFFПриходить刻画大мозг Шерстяная ткань？还да死磕定义：**низкая частота振幅。振幅可кпредставлять着大мозг活动сила。**иBOLD机制告诉нас,**Активация и деактивация мозга может быть отражена ЖИРНОЙ интенсивностью сигнала. **На основе расчета малой цели 2.,Каждый воксель в мозге может вычислить значение ALFF, и каждое значение ALFF представляет интенсивность активности воксела в мозге.

Рисунок 3: Механизм BOLD

Сравнение разницы в ALFF — это не что иное, как сравнение интенсивности активности сигнала между двумя областями мозга.,Другими словами, во время эпилептического припадка может произойти аномальная активация определенной области мозга.

б) Почему бы и нет:

既然想смотретьсмотретьнизкая частота振幅。для Почему бы вам просто не отфильтровать и не усреднить его, чтобы получить значение амплитуды для ALFF, определенного для? Что конвертировать из для в частотная Насколько средний регион?

маленькие цели4：Можно ли вычесть ALFF напрямую?

Прежде чем спрашивать, можно ли напрямую вычесть ALFF, подумайте, можно ли напрямую вычесть сигнал BOLD. Не понимаете? Просто посмотрите на картинку ниже.

Рисунок 4. Различия в сигналах, выделенных жирным шрифтом на разных машинах (разные параметры сканирования).

Что? Кривые одинаковые? Нет,тысмотретьсмотреть纵坐标。不同из扫描参число会影响磁共振изверносоотношениеисила。Жирные сигналы с разными параметрами сравнивать нельзя, поэтому сравнение бессмысленно.

вы можете спросить：Итак, если я считаю это ALFF, не означает ли это, что я не могу сравнивать?

Мой ответ: Присмотритесь к Мини-Цели 2, зачем автору добавлять лишнюю Е -> F изшаг,Автор не будет повторять это без причиныДобавьте еще одну стандартизацию, разделенную на среднее значение! Его полезность отражена здесь。经过这индивидуальныйшаг,Можно сравнивать группы.

笔者иметьодининдивидуальный问题：Так как я хочу увидеть амплитуду низких частот. Почему бы просто не усреднить после фильтрации и не получить значение амплитуды, определенное автором ALFF? Зачем нам нужно конвертировать в частотную область, а затем усреднять?

Частота, ссылки, связанные с частотной областью:

Wang Y F, Liu F, Long Z L,et al. Steady-state BOLD response modulates low frequency neural oscillations[J].Scientific Reports, 2014, 4: 7376.

Wang Y, Zhu L, Zou Q, etal. Frequency dependent hub role of the dorsal and ventral right anteriorinsula[J]. NeuroImage, 2018, 165: 112-117.

Ссылки по теме ALFF:

Yu-Feng Z, Yong H,Chao-Zhe Z, et al. Altered baseline brain activity in children with ADHDrevealed by resting-state functional MRI[J]. Brain and Development, 2007,29(2): 83-91.

Zou Q H, Zhu C Z, Yang Y,et al. An improved approach to detection of amplitude of low-frequencyfluctuation (ALFF) for resting-state fMRI: fractional ALFF[J]. Journal ofneuroscience methods, 2008, 172(1): 137-141.

10. Что касается компьютерного доступа к изображениям МРТ

вчера,Сяофан（隔壁村из）Спросите автора：Почему я не могу экспортировать более 256 областей мозга?

С макроэкономической точки зрения действия обычных игроков по анализу и обработке изображений мозга представляют собой не что иное, как: читать -> Анализ и обработка -> выход（написать сохранить）。这三индивидуальныйшаг会变из То естьсередина间这индивидуальныйшаг：Анализ и обработка。结合自己из问题Приходить找到自己идентификацияиз Анализ и обработкаметод。но今天из重точка主хотетьдавперед、назаддваиндивидуальныйшаг——число据читатьирезультатдержать。С помощью базовой функции MATLAB читайте функциональное магнитно-резонансное изображение или структурное магнитно-резонансное изображение.

Эти функции были интегрированы в базовый пакет программного обеспечения, но для тех из нас, кто любит быть умным (без) дыр (zuo) и большим (нет) открытым (умирать), обычных пакетов программного обеспечения в настоящее время уже недостаточно. нам нужны некоторые низкоуровневые операции. Анализируйте данные МРТ изнутри.

Выньте его из аппарата МРТПриходитьизчисло据分成дваиндивидуальный部分：изображение головы+мозга。Как показано ниже:

Рисунок 1. Схема структуры данных магнитно-резонансной томографии головного мозга.

可к用Внизкартина Приходитьпонимать：одининдивидуальный火车头,Локомотив содержит информацию об этом изображении,这некоторый信息Включать着Толщина слоя, количество слоев, размер воксела и т. д. описывают различную информацию последующих данных.。и Каждыйодин层измозг影像Сразу存放существоватьназадлапшаиз多индивидуальный车厢里лапша。换предложение话объяснять,Этот локомотив похож на каталог,иВ заднем отсеке хранится информация каждого слоя срезов мозга.。нравиться Рисунок 2показано：существоватьвычислить机里лапша,Информация каждого слоя (среза мозга) представляет собой двумерную картинку, а цифровая картинка хранится в компьютере в виде дискретных значений. Каждое значение представляет глубину текущего цвета среза.

Рисунок 2: Информация, загруженная в каждую каретку

Вышеупомянутая предварительная работа была проделана. Прочитав это, все читатели должны понять форму структуры данных магнитно-резонансных изображений мозга, хранящихся в компьютере, а затем выполнять очень сложные и очень квалифицированные операции.

первыйнассуществоватьMATLABВнизлапша安装好SPMи программное обеспечение для отдыха,Я думаю, вы все знаете базовое программное обеспечение для отдыха. Если вы хотите найти что-то более крутое и безумное,可к操делатьпрограммное обеспечение для Базовая функция пакета отдыха используется для анализа изображений мозга.

1、читать：

напримерверно В今天нас先читатьодининдивидуальныймозг影像：использоватьrest_ReadNiftiImage函число。该函число基本用法нравиться Вниз：

​ [Данные, Заголовок] = rest_ReadNiftiImage(fileName,volumeIndex)или

​ [Data, Head] = rest_ReadNiftiImage(fileName)

Не паникуйте, позвольте мне объяснить.

Вы можете понимать это как:

​ [кузов поезда, локомотив ] <= имя функции (Путь хранения файлов)

в:

​ Путь хранения файлов：тыизC盘Вниз存放одининдивидуальныйШаблон AAL（Имяaal.nii）,Если вы используете систему Windows, путь к файлу — C:\aal.nii, если вы используете систему Linux или Mac, то /home/[ваше имя]/aal.nii.

​ тело поезда：тычитатьвне Приходитьизчисло据（aalшаблонда3维изчисло据,Вы можете видеть, что его размеры 91×109×91)

​ 火车头：читатьвне Приходитьчисло据из头文件。（不用管它да Что啦）

2. Написать (сохранить)

После того, как мы выполнили несколько очень страшных операций над данными этого тела поезда (таких как корреляция высокого порядка, переход к статистическим значениям параметров, расчет структурных ковариационных сетей и т. д., это страшно? Вы боитесь?), как нам сохранить результаты? Что делать? На самом деле здесь все очень просто. Если это операция на уровне вокселей всего мозга, а черный дымящийся локомотив все-таки привозят, то груз на этот раз тянут не свежую свинину, а уже тушеную свинину. Другими словами: молодое вино в старых бутылках.

Сохраните следующим образом:

rest_WriteNiftiImage(Data,Head,filename)

Вы видели, что данные заменены на новые, а Головой по-прежнему является тем локомотивом, который В тот момент, когда мы читали, имя файла — это местоположение и имя файла, который нам нужно сохранить. Вы можете выбрать это имя файла самостоятельно, и оно будет автоматически сгенерировано с помощью этой функции.

Подведите итог:вернописатьидержать,прочитать файл вытащил поезд данных,Данные этого поезда содержат: локомотив,иданные по многим вагонам. Мы верно обрабатываем данные каждой перевозки,После обработки продолжайте загрузку обратно в каретку.,Подключите локомотив и продолжайте уезжать.

Прежде чем ответить на приведенные выше вопросы, позвольте мне задать вам вопрос: почему размеры некоторых изображений мозга, полученных с помощью МРТ, одинаковы, а некоторые различаются? Другими словами: что определяет размер данных?

Рисунок 3. Различные данные изображения, разные размеры.

Друзья, которые смотрели онлайн-телевидение, должны знать одно: высокое разрешение 4K и плавное качество изображения — это два совершенно разных понятия. Как правило, просмотр видео сверхвысокой четкости потребляет больше данных, а просмотр видео стандартной четкости потребляет меньше данных. Проведем аналогию: разрешение экрана определяет размер данных. То же самое справедливо и для магнитно-резонансной томографии: почему структурное изображение, взвешенное по Т1, на трехмерной карте мозга более четкое, а функциональное изображение размыто? Это связано с тем, что разрешение изображения T1 выше.

Вывод 1. Данные изображения с более высоким разрешением имеют больший размер.

Но наша проблема все еще не решена, я, очевидно, храню десятичные дроби, почему они все превращаются в целые числа?

Вот немного базовых знаний о компьютерах:

​ используется в компьютерах. Данные типа char хранятся в 1 байте.,одининдивидуальный字节8бит двоичный。Представляет диапазон 2^8=256.。换предложение话объяснять,charтип данныемогут только спасти -128~127 значения между ними, пока беззнаковые charСразу抹去Понятно负число部分,Описывает значение от 0 до 255.。（绿皮иметь窗火车）

​ в компьютере short тип данных Используйте для сохранения 2 байта, что является 16-битным двоичным кодом. 2^16 = 65,536индивидуальныйчислоценить,Но обратите внимание,У него тот же тип, что и у Чар,Они могут описывать только целые числа. (Обычная красная кожаная и синяя кожаная машина)

​

​ в компьютере double тип данных Используйте 8 байт для сохранения и расчета, какой объем данных можно представить самостоятельно. Double может описывать десятичные дроби, но обратите внимание: точность этого десятичного числа ограничена 16 знаками. Другими словами, double использует научную запись для выражения числового значения. Для общего применения этого достаточно. (Версия «Высокоскоростная железная дорога плюс»)

​

Имея вышеизложенные знания, вам не нужно гадать, я сразу объявлю ответ: Поскольку требования к разным данным магнитно-резонансной томографии различны, используемая точность может быть разной. Например, если вы хотите описать только островную часть, вам понадобится только двоичный шаблон. Другими словами, для описания воксела достаточно 1 байта данных. Если я хочу видеть высокопроизводительные операции с более высоким диапазоном или большей точностью, мне нужно сейчас изменить файл заголовка. Вы не можете просто использовать небольшой поезд в качестве высокоскоростной железной дороги.

Поскольку модифицировать файл слишком сложно и типов данных для описания изображений мозга слишком много, я пока не буду здесь добавлять подробности (боюсь, что обычным игрокам не хватит IQ). Я расскажу вам только два способа решения проблемы недостаточности типов данных визуализации мозга:

На рисунке 4 показана точность визуализации мозга.

Метод 1: Функционирует как другой файл заголовка чтения относительно большего файла.,借用那индивидуальный文件из火车头Приходить写入新изчисло据。

Метод 2: внутри SPM Batch -> util -> 3D to 4D convertion Выберите DataType, какой выбрать? Мы должны дать полную свободу мышлению китайского народа о том, чтобы иметь так много, так много, так много.

Наконец, соответствуют началу. Сяофан спросил автора: «Почему я не могу вывести более 256 областей мозга?» Теперь вы умны, приходите и помогите мне ответить на этот вопрос!

12. Основные команды Linux

1.Команда Linux****:

В системах Windows мы привыкли к операциям с графическим интерфейсом. В системах Linux многие программы не имеют графического интерфейса или удобнее использовать команды. Для выполнения команд в Linux необходимо сначала открыть терминал:

siying@siying-vbox в левой части терминала означает, что пользователь siying вошел в систему siying-vbox, а текущая папка находится в папке ~ (то есть в личной папке). Введите команду в строке белого квадрата и нажмите Enter, чтобы выполнить ее.

Команды Linux включают в себя собственные команды системы: такие как ls, cd, cp и т. д.

Нет.三方软件из程序也可кделатьдлявыполнение команды：например,Если вы установили такое программное обеспечение, как FSL или Freesurfer, они также включают в себя некоторые наборы командных инструментов. Как показано на рисунке ниже, fslmerge, fslmaths и т. д.

2. Управление файлами Linux****:

2.1 Понятие корневого каталога и каталога /home****

èДиск Windows C, диск D и диск E разные,Все файлы в системе Linux находятся в каталоге /. /,то есть правая косая черта,Назовите его корневым каталогом для.

Обратите внимание: на рисунке выше показаны папки и файлы в корневом каталоге Linux. Файлы (папки) во всей системе Linux можно найти с помощью /.

/homeКаталог размещенLinuxпользовательизиндивидуальныйлюдипапка。напримерпользовательsiyingизиндивидуальныйлюдипапкаиз路径да/home/siying；нравиться果新建одининдивидуальныйпользовательzhangsan,该пользовательизиндивидуальныйлюдипапка路径да/home/zhangsan。Также можно использовать личные папки.**~**вместо。

Другие папки в каталоге /, такие как /opt, обычно хранят стороннее программное обеспечение, установленное вами; /bin обычно хранят двоичные файлы системы, такие как cd и другие общие команды, которые мы используем, обычно находятся здесь /etc; используется для хранения файлов конфигурации системы и другого программного обеспечения; /lib хранит файлы системной библиотеки, если вставлен мобильный жесткий диск, он обычно монтируется в /media. Просто поймите это.

2.2****Основные команды управления файлами

（1）列вне文件（папка）ls：Прямо сейчас列внеопределенныйиндивидуальный目录Внизиз文件（папка）。Заказls可к跟одининдивидуальный参число,Это каталог.

Введите команду ls /, чтобы просмотреть файлы (папки) в корневом каталоге.

Введите команду ls ~, чтобы просмотреть файлы (папки) в личной папке.

Введите команду ls без каких-либо параметров, чтобы просмотреть файлы (папки) в текущей папке. Например, если текущая папка находится в /opt, можно просмотреть файлы (папки) в /opt.

(2) Измените путь к компакт-диску: что означает изменение текущей папки. За командой cd может следовать один параметр — каталог.

Например, если текущая папка находится в ~, выполнение cd Sharefolder может изменить текущую папку на ~/sharefolder.

Введите команду cd без каких-либо параметров, и вы сможете переключиться на личную папку, то есть ~.

(3) Копировать файл cp: копирование файлов из одного места в другое. За командой cp могут следовать два параметра: первый — это исходный файл, а второй — целевой путь.

(4) Переместить файл mv: переместите файл из одного места в другое. За командой mv могут следовать два параметра: первый — это исходный файл, а второй — целевой путь.

Команду mv также можно использовать для переименования, например, переименовать list.txt в new.txt:

(5) Удалить файлы rm: удалить определенные (некоторые) файлы. Например, удалите list.txt:

Удалите все файлы, начинающиеся с sa:

(6) Создайте папку mkdir: создайте папку. Например, создайте тестовую папку в ~:

**3. ***Значение числа：

представлять“произвольный”из意思。например.txtСразупредставлятьпроизвольныйк.txtдляназад缀из文件,subОн представляет любой файл, начинающийся с subдля, sub.niiпредставлятьпроизвольныйкsubначало.nii结尾из文件,si представляет любой файл, начинающийся с s и заканчивающийся i. Если у вас в папке есть sub01.nii,sub02.nii,s03.nii три файла,sub.nii会筛选вневпереддваиндивидуальный,s*i则会Пучок三индивидуальный全筛选вне Приходить。

4 Аббревиатура папки: ****~ . …

В системе Linux это относится к личной папке пользователя. Например, для пользователя siying это относится к /home/siying. ., то есть одна точка, представляет текущую папку..., то есть две точки, представляют папку верхнего уровня. Например, выполнение cd... в терминале приведет к переключению на верхний каталог, и то же самое относится и к другим операциям.

5 **Относительный путь и абсолютный путь: **Относительный путь относится к пути к целевому файлу (папке) относительно текущей папки. Например, файлы (папки) в каталоге ~ такие, как показано на рисунке:

Переключите текущую папку на ~/test.

Тогда относительный путь от /sharefolder к /test будет: .../sharefolder. То есть папка Sharefolder под верхней папкой.

Абсолютный путь относится к пути к файлу (папке), начиная с корневого каталога. Например, абсолютный путь к папке ~/sharefolder — /home/siying/sharefolder.

6. Редактор в системе Linux****:

нано-редактор:

Просто введите имя нано-файла в терминал. Если имя файла существует, отредактируйте его. Если оно не существует, создайте новый файл.

Введите содержимое в появившемся интерфейсе редактора и нажмите Ctrl+X, чтобы сохранить и закрыть.

Gedit

Если вы хотите использовать редактор графического интерфейса, вы также можете использовать gedit. Найдите gedit в верхнем левом углу системы Ubuntu и щелкните, чтобы открыть его, чтобы начать. Или вы можете открыть его, введя команду gedit в терминале.

Другие редакторы: Emacs/vim. После того, как вы ознакомитесь с системой Linux, рекомендуется использовать один из них, когда имеется много задач редактирования.

Чтобы просмотреть содержимое файла, вы можете использовать: cat.

**7.**Распространенные ошибки команд

（1）No command * found***。找不到Заказ,**Причина в том, что команда для была введена неверно.

Как показано выше, введите несуществующую команду «catdog». В системе нет команды catdog, поэтому выдается сообщение об ошибке.

Другой пример: если команда введена в неправильном регистре, система все равно ее не распознает и сообщит об ошибке.

**（2）参число输错。**например0иOНикаких различий（число字0иOPQизO）,Пропала передача при смене линии,Параметры связаны между собой. Суммируя,Ввод команд и параметров Linux,Ошибок быть не может!

8.Сценарий Linux Shell****:

Скрипт Linux — это набор команд Linux. Первоначально вы могли выполнять одну команду за раз в терминале Linux. Используя сценарий Linux Shell, вы можете последовательно выполнять несколько команд Linux. Используйте nano для создания файла new.sh:

Введите команды, которые будут выполняться последовательно, и сохраните.

Выполните bash new.sh в терминале, чтобы выполнить скрипт. На рисунке выше будет создана папка test2 и скопируйте /list.txt в ~/sharefoler.

13. Краткое обсуждение стандартных шаблонов пространств и преобразований пространств.

1: Стандартный шаблон пространства

Когда наша верная функция похожа на предварительную обработку данных,виметьодин步да ПучокНормализовать изображение до стандартного пространства。для Чтохотеть Делать这один步Шерстяная ткань？Потому что голова каждого субъекта разная по размеру и форме.。Если поместить их в систему координат,Пространственное расположение одной и той же структуры мозга будет разным,так Не способствует исследованиюрезультатиз报道иописывать。поэтомунас需хотетьобщая координата отсчета。здесьговоритьизстандартный空间то естьтакодининдивидуальный参考坐标。Внизлапша用“стандартныйшаблон”вместостандартный空间из意思。Такиметь哪некоторыйстандартныйшаблон Шерстяная ткань？

Нет.одининдивидуальныйдаСтандартный шаблон Талайраха。Talairachшаблонда最早使用из3D大мозгшаблон。существовать它вне现之вперед,Неврологи могут лишь приблизительно определить структурное расположение мозга, используя области Бродмана, которые разделены с точки зрения клеточной архитектуры. Шаблон Талайраха первым определяет начало пространственных координат на стыке линии AC-PC и средней линии сагиттальной плоскости.,Направление влево и вправо для оси X,Переднее и заднее направление для оси Y,Пространственная система координат оси дляZ в направлении вверх и вниз. так,Каждая точка мозга имеет пространственную координату. Шаблон Талайраха сыграл важную роль на заре нейровизуализации (поскольку никакой другой шаблон использовать было невозможно). Но его недостатки также очевидны: 1) Это не цифровой 3D-шаблон мозга.,Шаг нормализации необходимо зарегистрировать вручную.,Трудоемко и неточно. 2) Шаблон Талайраха основан на анатомии мозга 60-летней женщины;,Не репрезентативно 3) Шаблон Талайраха имеет анатомию только левого полушария;,Правое полушарие получается путем инверсии анатомии левого полушария.,Другими словами, это симметричный шаблон. 4) Связь между пространственным положением в системе координат Талайраха и реальной анатомией мозга должна быть относительно грубой;

для Понятно解决Talairachшаблон存существоватьиз问题。Монреальский неврологический институт, Канада（Montreal Neurological Institute,MNI）Установлен стандартный шаблон MNI305.。первыйих**采集Понятно241индивидуальный正常ПредметизMRIкартина像,Эти 241 изображение были отнесены к пространству Талайрах.,затем среднее значение,Был получен средний шаблон для этих 241 субъекта. Затем были собраны МРТ-изображения 305 нормальных субъектов.,Сопоставьте эти 305 изображений предметов со средним шаблоном из 241 предмета.,Среднее изображение 305 субъектов после регистрации представляет собой стандартный шаблон пространства MNI305. **помнить,Средний возраст этих 305 испытуемых составил 23,4 года.,Шаблон MNI305 — это стандартный шаблон мозга для взрослых. Шаблон MNI305 — это первый шаблон пространства MNI.

в настоящий момент广泛使用изстандартныйшаблондаШаблон ICBM152。ICBM指издамозг成像国际联盟（International Consortium for Brain картографирование). Например, стандартным шаблоном, используемым SPM и FSL, является шаблон ICBM152. Его получают путем регистрации структурных изображений 192 нормальных субъектов высокого разрешения в пространстве MNI305.

Закономерности MNI305 и ICBM152 не очень ясны (рис. 1). Чтобы получить более детальную пространственную картину с высоким разрешением, сотрудник лаборатории MNI (названный в честь Колина Холмса) просканировал свой мозг 27 раз.,СразуполучилШаблон Colin27。в настоящий моментнас成像результат基本都дасуществовать Шаблон Colin27начальство进ХОРОШО显示。отзыватьодин ВнизШаблон ch2 в Mricron — это Шаблон Colin27.

Рисунок 1. Слева направо: шаблон MNI305, шаблон Colin27 и шаблон ICBM152.

Талайрах и MNI — стандартные области, но эти две стандартные области различны. Посмотрите на картинку ниже (картинка взята из Интернета)

Рисунок 2. Шаблон Талайраха (слева) и шаблон MNI (справа)

Левая часть изображения — стандартный мозг Талайраха, а правая — стандартный мозг MNI. Видно, что стандартный мозг MNI значительно больше, чем стандартный мозг Талайраха. Поэтому, когда мы сообщаем об областях мозга, мы должны указать, находятся ли эти области мозга в пространстве MNI или пространстве Талайраха.

Помимо стандартного пространства, существует еще понятие индивидуального пространства. Обычно мы думаем, что то изображение, которое мы собираем, соответствует пространству, в котором оно находится. Например, собранное функциональное изображение принадлежит пространству функциональных изображений; собранное изображение T1 принадлежит пространству структурных изображений; собранное изображение DTI принадлежит пространству DTI; Когда мы проводим статистический анализ, мы должны гарантировать, что окончательные изображения должны находиться в одном и том же пространстве, например, все в пространстве MNI или все в пространстве DTI.

2: Преобразование пространства

Уже упоминалось выше. Мы хотим выполнить статистический анализ изображений в одном и том же пространстве. Если пространство неоднородно,Просто нужно заставить пространство трансформировать. Например, картинка ниже,Имеется маска правого хвостатого ядра.,ноПоследующий анализ проводится в структурном пространстве или функциональном пространстве личности.,Вам необходимо переместить его из стандартного пространства трансформировать в соответствующее пространство.

Ниже представлены три типа пространственных преобразований.

(1) Преобразование твердого тела

Если изображение А можно преобразовать в изображение Б только посредством пространственного перемещения и вращения. Такое преобразование называется преобразованием твердого тела. На изображениях МРТ пространство можно перемещать или поворачивать по осям x, y и z. Поэтому для жесткой трансформации требуется всего 6 степеней свободы. Как показано ниже:

Рисунок 4. Поворот изображения (слева) и сдвиг (справа)

Примером применения жестких преобразований является регистрация изображений внутри объекта. Например, коррекция движения головы.

(2) Аффинное преобразование

Изображение A должно быть зарегистрировано в изображении B.,Помимо необходимости пространственного перемещения и вращения,Также требуется растяжение изображения (масштабирование), например увеличение и уменьшение масштаба.,Перекосы/сдвиги изображения,такизтрансформироватьсказатьдля Аффинныйтрансформировать。

Рисунок 5. Растягивание (слева) и наклон (справа) изображения.

Также имеется 6 степеней свободы для растягивания и наклона изображения. Следовательно, аффинное преобразование имеет 12 степеней свободы. Примером применения аффинного преобразования является вихретоковая коррекция изображений DTI.

(3) Нелинейное преобразование

Преобразование твердого тела и аффинное преобразование являются линейными преобразованиями. Если степень свободы, необходимая для преобразования изображения А в изображение В, превышает 12, например, требуется также локальная деформация изображения, такое преобразование называется нелинейным преобразованием. Нелинейные преобразования часто используются для регистрации изображений высокого разрешения между объектами.

Линейное преобразование может быть представлено матрицей преобразования T. Например, жесткая матрица преобразования (6 степеней свободы):

Матрица аффинного преобразования (12 степеней свободы):

В SPM, FSL и другом программном обеспечении матрицы линейного преобразования обычно сохраняются в файлах *.mat.

Параметры нелинейного преобразования представлены полями деформации. В качестве примера возьмем двумерное пространство:

Рис. 6 Параметры нелинейного преобразования

Левая часть рисунка выше — это поле деформации изображения А, нелинейно преобразованного в изображение Б. Стрелка внутри указывает, на сколько миллиметров пикселю необходимо переместиться в определенном направлении. Его можно дополнительно разложить на компоненты направления оси X и компоненты направления оси Y (правая часть рисунка выше). Если взять в качестве примера оранжевый пиксель на изображении выше, значение этой точки на изображениях компонентов x и y указывает на то, что точку необходимо переместить на -0,4 мм по оси x и на 5,6 мм по оси y. Для изображений МРТ в трехмерном пространстве поле деформации нелинейного преобразования представляет собой компонентное изображение в трех направлениях x, y и z, а формат хранения — формат нифти (3 изображения нифти).

14. Функциональное подключение

С применением технологии магнитного резонанса в нейробиологии все больше и больше исследований обнаруживают, что между различными областями мозга существуют не только структурные связи, но и функциональные связи в состояниях выполнения задач и даже в состояниях покоя. Функциональная связность конкретно определяется как степень корреляции между двумя ЖИРНЫМИ последовательностями в разных областях мозга во временном измерении. ** В основном рассчитывается с помощью коэффициента корреляции разницы продуктов Пирсона.

Мы знаем, что последовательность изображений BOLD-fMRI представляет собой последовательность 4D-изображений. Как показано на рисунке ниже, каждый воксель (воксель) содержит серию временных рядов, представляющих изменение сигнала, зависящего от уровня кислорода в крови, в определенной области с течением времени. .

Пирсон Связанныйкоэффициентиз Выбиратьценитьобъемдля-1≤r≤1。поэтомукжирный сигнал в качестве примера,Как показано ниже,когдадвачастьвремяпоследовательностьиз Связанныйкоэффициент0<R≤1час,Указывает, что два временных ряда положительны.,И по мере увеличения стоимости,Позитивный Связанный сильнее,При достижении 1 полностью положительно Связанный,В это время мощность сигнала двух временных рядов увеличивается или уменьшается одновременно со временем (аналогично слева);,когдадвачастьвремяпоследовательностьиз Связанныйкоэффициент-1≤R<0,Указывает, что два временных ряда отрицательны.,И по мере уменьшения стоимости,Чем сильнее негатив Связанный,При достижении -1 значение полностью отрицательное.,此часдвачастьвремяпоследовательностьиз Сигналсила Следоватьвремя增强или者减弱из趋势完全Напротив（серединакартина）；Связанныйкоэффициентдля0час,Указывает, что два временных ряда независимы друг от друга.,То есть тенденция увеличения или уменьшения интенсивности двух сигналов с течением времени здесь ни при чем.,Это может быть то же самое, а может быть Напротив（右картина）。поэтому,Мы можем признать для,Области мозга с положительным жирным сигналом демонстрируют функциональную синергию.,Области мозга, демонстрирующие отрицательный Связанный признак функционального антагонизма.

Сейчас,нас已经搞懂ПонятноМатематическая основа и физический смысл функциональной связи。接Вниз Приходить,нас Приходитьчатфункциональная связьсуществовать Обработка данных里из具体отвечать用。Функциональная связность на основе начальных значений (FC на основе начальных значений) является наиболее распространенным методом анализа.,Прямо сейчасСначала определите область мозга или несколько областей мозга.（该мозг区内Каждыйиндивидуальныйvoxelвремяпоследовательностьпервый需хотеть保持高度один致секс）как регион интереса (ROI),**Извлеките средний временной ряд в пределах рентабельности инвестиций.,вычислитьROI之间или者КаждыйиндивидуальныйROIи Целые вокселы мозгавремяпоследовательностьиз Пирсон Связанныйкоэффициент。**предположительноверно此иметь所涉猎из同学们都听объяснять过这два种анализировать思路：voxel-wise FC и рентабельность инвестиций ФК. Возьмите свидание вслепую как аналогию, воксельную. ФК подобен дяде или тете, пришедшим на свидание вслепую в парке. Он/она приносит заранее подготовленные даты рождения детей, образование, доход (заранее выбранный ROI), приходит в парк пораньше, обходит весь парк по одному. один (вокселы) для запроса информации друг друга и расчета стоимости. Нецелесообразно думать только о своих собственных детях (заранее выбранная рентабельность инвестиций), не учитывая, есть ли совпадение между другими вокселами и рентабельностью инвестиций; ФК больше похоже на организацию быстрого свидания вслепую,Подготовьте несколько двуспальных столов и стульев.,Пусть каждый молодой человек, получивший приглашение (заранее выбранный ROI), сможет общаться друг с другом.,смотретьсмотреть合不合适。так此处无论даROI-wiseиvoxel-wise都需хотеть预选ROI。

Теперь давайте узнаем о вокселях Процесс расчета ФК. Чтобы вычислить по вокселям FC,Сначала нам нужно выбрать рентабельность инвестиций,Выбор рентабельности инвестиций в основном зависит от:

1. статистика различий в других функциях мозга или структурных показателях Существенно областей мозга;

2. На основе стандартного шаблона раздела;

3. По координатам документа;

4. Вручную определите рентабельность инвестиций.

После выбора рентабельности инвестиций,нас先РассчитатьСредний временной ряд всех вокселов в пределах рентабельности инвестиций（поэтомуПри выборе рентабельности инвестиций обеспечьте высокую степень функциональной согласованности внутри рентабельности инвестиций.）,然назаднасВыполните Связанный расчет Пирсона на рассчитанных средних временных рядах и временных рядах вокселей всего мозга один за другим.（включатьROI自身内部所иметь体素）。так,насДля каждого воксела во всем мозге можно получить Связанный коэффициент воксела и заранее выбранную рентабельность инвестиций.,Наконец, можно получить полнофункциональную связь Карта (FC-карта) всего мозга.,После его нормализации (с использованием Fisher-Ztransformate для преобразования распределения Связанного коэффициента Пирсона из исходной асимметрии -11 в нормальное распределение -∞∞ для соответствия исходной гипотезе проверки гипотезы),Мы с радостью можем выполнить статистический анализ на уровне группы.,Наконец, можно получить следующую диаграмму результатов. Мы также можем извлечь значения zFC дифференциальных областей мозга и провести клинические данные для Связанного анализа.

Наконец, следует процесс расчета рентабельности инвестиций. Как и функциональное соединение по вокселям, функциональное соединение по ROI также должно заранее определить ROI и вычислить средний временной ряд всех вокселов в ROI. Метод также аналогичен методу по вокселям. Разница. заключается в том, что функциональные связи с точки зрения ROI требуют установления как минимум двух ROI. Предположим, что мы выбрали n ROI. Затем, как показано на рисунке ниже, мы вычисляем коэффициент корреляции между двумя ROI и получаем матрицу функциональных связей.

Мы можем выполнить статистику и визуализацию на уровне группы:

(Непобедимые Хот Вилс)

И дальнейший анализ на основе теории графов (экспертная область, вводите с осторожностью):

Многие новички часто путают эти два понятия. Здесь автор суммирует сходства и различия между ними.

То же самое: им всем нужно заранее выбрать ROI.

Отличия:

Существуют также методы расчета FC, не основанные на начальных точках, такие как расчет FCD, статистический анализ/двойной регрессионный анализ на основе группового ICA и т. д.

15. Связь между активацией мозга и функциональными связями

Ссылка: Томаси Д., Волков Н. Д. Связь между активацией мозга и функциональной связностью [J], 2018.

Приходитьзлоупотребление алкоголем в Америкеи酒精середина毒Исследовать所（NIAAA）изDardo Томази и др. в Церебрале. Посты Cortex об активации мозга ифункциональная связь之间из关联секс Исследовать。существоватьRelationalиSocialЗадачаначальство,该Исследоватьвычислить Понятнои Задача Связанныйизамплитуда низкочастотных колебаний（the amplitude of the low-frequency fluctuations,ALFF）илокальная функциональная плотность связности (lFCD),ииЗависимый от уровня кислорода в крови сигнал задачи Связанный（Blood Oxygenation Level Dependent,ЖИРНЫЙ)** ответы были проанализированы на предмет корреляции. Результат показал, что: ALFFиlFCDи реакция мозга BOLD имеет линейный характер. lFCD позволяет предсказать паттерн активации BOLD; **поэтому,Результаты этого исследования показывают, что ответ BOLD и ALFFиlFCD имеют общий источник.

Ключевые слова: ALFF, lFCD, BOLD, HCP, задача ф МРТ.

для оценивает ЖИРНЫЙ сигнал (проявление нейронной активности) на основе задачи ф МРТ и локальная функциональная связьплотность（lFCD）иамплитуда низкочастотных (ALFF), исследователи предположили, что область мозга, активируемая задачей, меняется в зависимости от задачи. Связанный ЖИРНЫЙ сигнал, и ее локальная функциональная связьплотность（lFCD）Увеличивать；Задача СвязанныйизBOLDСигнализ改变иlFCDиз关联секс强ВALFF。поэтому本Исследовать采用Понятно426例基ВЗадачаизfMRIчисло据Приходитьпроверить эту гипотезу,ипроходитьи Задача СвязанныйизBOLDСигнализ Связанныйсекс ПриходитьобъяснятьlFCDиз神经血管起源。

В этом исследовании были выбраны данные 426 субъектов (возраст: 29 + 4 года, 244 женщины) из общедоступного набора данных HCP 500 subject Data (включая всего 523 субъекта и собранные данные ф МРТ для 7 задач), а данные разделены. на тестовую группу и группу проверки. Кроме того, в этом исследовании были выбраны две задачи: социальное познание и реляционная обработка. Время сбора данных для этих двух задач составило 394 секунды и 334 секунды соответственно. Все данные сканировались оборудованием Siemens (Skyra, 32-канальная катушка).

Обработка данныхианализировать

Предварительная обработка набора данных в этом исследовании включает коррекцию градиентных искажений, коррекцию движения головы, обработку полевых карт и пространственную стандартизацию. Затем IDL (ITT Visual Information Solutions, Боулдер, Колорадо) используется для постобработки данных. Основные этапы следующие (как показано на рисунке 1):

\1 Глобальная регрессия сигнала и регрессия параметров движения головы.

\2. Регрессия сигнала задачи (TRS). Среди них, в зависимости от начала и продолжительности каждой задачи ф МРТ, в этом исследовании использовалась модель конической функции гемодинамического ответа (2γ-HRF) для свертки для каждой задачи, а затем использовалась полилинейная модель для регрессии.

\3. Расчет lFCD. Расчет lFCD основан на отфильтрованном (фильтр нижних частот: 0,1 Гц) сигнале ф МРТ. Затем используется растущий алгоритм для получения количества элементов в локальном кластере FC, то есть lFCD.

\4. Расчет ALFF. Путем выполнения быстрого преобразования Фурье на ф МРТ получают среднее значение среднеквадратического спектра мощности в полосе частот 0,01–0,10 Гц, то есть ALFF.

\5. активация ф МРТ. Одновыборочный Т-тест и парный Т-тест использовались для получения статистической значимости сигнала BOLD, связанного с задачей, а теория случайного поля использовалась для коррекции FWE (PFWE < 0,05, минимальное количество вокселей кластера — 100).

\6. Анализ области интереса (ROI). На основе шаблона автоматической анатомической маркировки (AAL) и активации ф МРТ в этом исследовании были определены 9 областей интереса с активацией социальных и реляционных задач: левая и правая язычная (lL и rL), нижне-затылочная (lIO и rIO) и веретенообразная (lFF и rL) rFF) извилины, правая дополнительная моторная область (rSMA), верхняя теменная (rSP) и перикалькариновая (rCal) кора. Как показано на рисунке 1B. Кроме того, на основе шаблона Гордона в этом исследовании изучалось статистическое распределение связанных с задачами BOLD и lFCD в 10 функциональных сетях.

\7. статистикаанализировать。В этом исследовании используютсяверноTтест Приходить评估连接существоватьsession间из变化,и используйте линейную регрессию, чтобы оценить их связь с сигналом BOLD.,Чтобы получить корреляцию между ЖИРНЫМИ сигналами, активируемыми задачей.

Рисунок 1. Поток обработки данных и область интереса (ROI).

Исследоватьрезультат

первый,ХОРОШОдляанализироватьрезультат表明существоватьSocialиRelationalЗадача之间the average framewise Существенной разницы в перемещении (FD) нет (Социальные сети: FD = 0.16 ± 0.07 mm；Relational：FD = 0.17 ±0.08 mm,p>0.11）。ноRelationalЗадача具иметь更低из精确度и更高из响отвечатьвремя。

Во-вторых, анализ активации ф МРТ показал, что в реляционной задаче активированными областями были в основном зрительные, теменные и префронтальные области мозга. Во всех ROI изменение процента ЖИРНОГО сигнала обычно распределялось по всем субъектам (среднее значение). skewness = 1.6 и kurtosis = 2.6), где самый сильный процент ЖИРНОГО сигнала приходится на перикалькариновую область. Кроме того, аналогичный результат появляется при анализе в Социальной задаче. Такие как Рисунок 2 показано.

Рисунок 2. Активация ф МРТ

Более того,lFCDрезультатный анализ показывает, что независимо от того, обрабатывается ли TSR,Паттерн lFCD и паттерн коркового серого вещества тесно коррелировали у всех испытуемых. как и ожидалось,Метод TSR показал, что к ослаблена модуляция задания Связанный в ЖИРНОМ сигнале у всех испытуемых.,降低ПонятноlFCDизсила。нравиться Рисунок 3 показано. В то же время, независимо от того, проводилась ли обработка TSR, средний показатель lFCD у испытуемых был высоко симметричным между левым и правым полушарием мозга. Среди них, по сравнению с другими областями мозга, затылочная доля, верхняя теменная извилина, нижняя теменная извилина и задняя теменная извилина (предклинье и угловая извилина) имеют более высокий lFCD (lFCD). >0.3）。无论да否Включать Задача Связанный Сигнал,черезROI平均изlFCDВсе соответствует нормальному распределению（with TSR:verage skewness = 0.7 and kurtosis = 0.4; without:skewness = 4.0; kurtosis = 0,9). Кроме того, значения lFCD очень согласуются между ROI с TSR и без TSR (реляционный: R = 0.91; P = 7E-04; Social: R = 0.96;P = 4E-05）。нравиться Рисунок показано 4. Наконец, в реляционной задаче приращение lFCD нормально распределенной задачи Связанный имело Существенно различия в большинстве областей мозга и было воспроизводимо у разных испытуемых, а ЖИРНЫЕ ответы в каждой функциональной сети были параллельны. В социальных сетях В задаче есть аналогичный результат. Такие как Рисунок показано 4.

Рисунок 3. Влияние регрессии сигнала задачи (TSR) на lFCD.

Рисунок 4. Влияние связанных задач на lFCD

дальше,Корреляционный анализ lFCDиBOLD показывает, что,Нет ТСР,ЖИРНЫЙ из большинства областей мозга, активированных lFCDи Реляционной задачей, имеет сильную Связанность, но имеется TSR;,lFCDизона активации Производительностьдляслабее Связанный。СвязанныйпорогиGSRанализировать表明,Задача СвязанныйBOLDСигнал改变и具иметьGSR处理изlFCDиз关联существовать所иметьROIсередина具иметь Существенноиз Связанныйсекс（p<3E-05）。и没иметьGSRпо сравнению с,GSRсуществовать所иметьROIначальство Существенно减少ПонятноиBOLDСигнализ关联（p<0.008）。нравитьсякартина5показано。

Рисунок 5. Корреляционный анализ BOLD-lFCD

Далее, АЛФФ vs Анализ BOLD показал воспроизводимые различия в масштабах мозга в приращении ALFF при выполнении реляционной задачи с TSR или без него. Во всех ROI изменения сигнала BOLD на основе задачи и ALFF имеют слабую Связанность, тогда как приращения ALFF имеют сильную Связанность, случайный TSR Существенно не меняет Связанность. Как и в случае с FCD, прирост ALFF обычно распределялся по субъектам во всех ROI. Аналогично выполнил результат в Социальной задаче. Такие как Рисунок показано 6. ФКД vs Анализ ALFF показывает, что в реляционном Среди всех ROI социальной задачи приращение ALFF линейно больше, чем приращение lFCD. ALFF лучше, чем lFCD в условиях TSR. Как показано на рисунке 7.

Рисунок 6. Корреляционный анализ BOLD-ALFF

Рисунок 7. Корреляционный анализ IFCD-ALFF

наконец,для иллюстрирует влияние одной эпохи — lFCD,Исследователи использовали метод TSR, чтобы исключить влияние других эпох на временной ряд, и рассчитали lFCD остаточного временного ряда. анализ результатов показывает, что,В миссии Realtiona,и "совпадение" эпохи по сравнению с,“related”epochсуществовать枕叶два侧、Переплата、Префронтальная доля и орбитофронтальная область и верхняя височная извилина、островоки小мозгмозг区изlFCDУвеличивать。существоватьBOLD-активация ф МРТ ведет себя аналогично результату. Но в «матче» эпохи наблюдалась более сильная активация в моторной коре, верхней височной извилине и затылочно-теменной ассоциативной зоне. Как показано на рисунке 8. В Социальной задаче и "случайно" epochпо сравнению с,«родственная» эпоха в куниусе, верхней затылочной извилине, средней извилине и височной доле,В верхней лобной извилине наблюдается усиление кlFCD.,носуществовать小мозг、миндалевидное тело、Трансфер обратно、надзатылочное сплетение и надлобное сплетение、Верхняя и средняя височные извилины имели более сильную активацию.

Рисунок 8. Эпохи «отношения» и «совпадения» верно lFCD и BOLD разные эффекты

в настоящий момент,fMRIизфункциональная Нейрососудистое происхождение матрицы связи (FC) до сих пор остается спорным. В этом исследовании рассчитывался и анализировался ответ мозга на BOLD-сигнал задачи Связанный, амплитуда. низкочастотных колебаний（ALFF）иместныйфункциональная Плотность связи (lFCD) и ее связанная природа, дляALFFиlFCD, служат косвенным доказательством нейроваскулярного происхождения. Кроме того, в этом исследовании изучалась связь между нейронами и ФК только через Связанное свойство BOLD-ответа и показателей связи, тогда как нейрональная активность ифункциональная Прямая связь между связью требует дальнейших инвазивных электрофизиологических исследований. В заключение, результаты исследования показывают, что реакция BOLD и ALFFиl FCD человекоподобного мозга имеют общее происхождение, что ифункциональная Происхождение связи является последовательным.

Краткое содержание одним предложением: анализируя общедоступные данные о состоянии задач HCP, это исследование доказывает, что BOLD, ALFF, lFCD и т. д. имеют общее происхождение.

16. Краткое обсуждение сети малого мира.

**1.**Основные понятия

Сеть сделана изсетевой узелиграница Состав сети. Прежде чем знакомить вас с сетью «малый мир», вам следует понять основные принципы, которые будут использоваться. понятия Бар。

сетевой узел：网络составляютсерединаизодинэлемент,в исследованиях МРТ,Узлом может быть определенная область мозга.,Или используйте воксел для юнитов как для узлов.

граница сети：网络составляютсерединаиз Другойодинэлемент,Ребро соединяет два узла в сети. в исследованиях МРТ,Существует множество определений края.,напримерфункциональная связь, оптоволоконное соединение, ковариантное соединениеждать。

соседний узел：одининдивидуальный节точкаiизсоседний узел относится к узлу, напрямую подключенному к узлу i в сети.

Степень узла：指издаодининдивидуальный节точка连接сторонаиз条число。该节точка连接сторона越多,Тем выше степень.

Коэффициент кластеризации：刻画网络серединаодининдивидуальный节точкаиз所иметьсоседний Герметичность соединения между узлами. Когда все соседние Когда между узлами есть соединения, Коэффициент узла кластеризацииценить最大。Коэффициент кластеризация характеризует степень локальной связи сети.

кратчайший путь：существовать网络середина从одининдивидуальный节точкавне发,Минимальный размер шага, необходимый для достижения другого узла. кратчайший путь описывает скорость передачи сетевой информации. Чем меньше значение пути,Информация передается быстрее.

стоимость подключения（wiring стоимость): с точки зрения расстояния в физическом пространстве (расстояние между двумя точками в декартовой системе координат) стоимость можно понимать как ресурсы, потребляемые при передаче информации от одного узла к другому узлу. Чем дальше физическое расстояние, тем больше ресурсов, по нашему мнению, потребляет передача информации и тем выше ее стоимость.

Например,нравиться果Пучок Каждыйиндивидуальныйлюдикогда Делатьодининдивидуальныйсетевой узел,Пучоклюдиилюди之间изДружбакогда ДелатьСторона сети, затем соседний узелто естьопределенныйлюдиизпрямые друзья；Степень узлапредставлятьпрямые друзьяизчисло量,То есть, чем больше друзей,Степень узла Чем выше；Коэффициент кластеризациипониматьдляопределенныйлюдиизДружелюбие между друзьями,Например, мои хорошие друзья Гейтс, Аюн, Хуатэн и т. д. — все хорошие друзья.,Сразуобъяснять明我из Коэффициент кластеризацииочень высокий；кратчайший путьто есть我能联系到определенныйлюди需хотетьизМинимальное количество переводов,Например, вам может потребоваться перевести как минимум семь или восемь друзей, чтобы связаться с Гейтсом.,И я только что закончил играть с ним в гольф на прошлой неделе.,Хм,Его навыки улучшились в последнее время,один起愉快из聊Понятноиндивидуальный几индивидуальный亿измаленькие цели；стоимость подключения可кпониматьдлядвалюди见лапша需хотеть走из路程,Это всего в нескольких минутах ходьбы.,Все еще ездите?,Или его застрелили?,Чем дальше расстояние,Чем выше стоимость,Пока все понимают,Я не могу перестать говорить о примерах. (Все еще не понимаю,Сразу Приходить Цунцин кусает меня！）

2. Сеть Малого мира (на самом деле это не маленькая вселенная в Сент-Сейе)

После того, как все поймут основные концепции сети, давайте познакомимся с сетью «Маленький мир».

Посмотрите на три картинки выше (смотрите внимательно):

最左сторонаиздаобычная сеть：它из特точкада Каждыйодининдивидуальный节точка只и它临近из节точкаиметь连接。поэтомунас可к推测它из Коэффициент Ценность кластеризации очень высока, а местные связи очень тесны. Но его слабость кратчайший путьценить很大,Другими словами, длина пути очень велика.,Передача информации происходит медленно.

最右сторонаиздаслучайная сеть：它из特точкада几乎Каждыйиндивидуальный节точка都иметь远距离连接изсторона。поэтому可к推测它изкратчайший Значение длины пути очень мало (от одного узла до другого требуется всего 2-3 шага), поэтому случайная Передача информации в сети быстрая и эффективная. Но его слабость — его Коэффициент. кластеризацииценить很小,То есть локальное соединение не герметичное,Стабильность сети плохая.

Так есть ли такая сеть? Значение коэффициента кластеризации должно быть большим (хорошая стабильность), а значение кратчайшего пути также небольшим (быстрая передача информации). иметь! То, что мы называем маленькой мировой сетью, является именно такой сетью. Если посмотреть на среднюю часть рисунка выше, коэффициент кластеризации каждого узла сети очень велик. В то же время лишь немногие узлы имеют длинные соединяющиеся ребра, поэтому его кратчайший путь также невелик.

как изобразитьсеть маленького мира Шерстяная ткань？从начальстволапшаанализировать可知道,сеть маленького мираиз Коэффициент кластеризациивыше, чемслучайная сеть,它изкратчайший путь близок к случайному сеть。поэтому,从число学начальство可так Выражать：Дана сеть A, если Коэффициент A кластеризации/случайная сетьиз Коэффициент кластеризации >>（гораздо больше, чем）1,и且Aизкратчайший путь/случайная сетьизкратчайший путь≈1,СразуобъяснятьAдаМаленькая всемирная сеть.

2. Маленькие свойства мозговых сетей

верно Влюдимозг Приходитьговорить,Будь то функциональная сеть, структурная сеть или ковариантная сеть.,Большое количество исследований показало, что человеческий мозг обладает свойствами маленького мира. Так каковы же характеристики человеческой мозговой сети?

（1**）经济сексмозг网络（economic brain****）**

EdBullmore., 2012

Посмотрите на картинку выше, слева направо они обычные. сеть、сеть маленького мира、случайная сеть. С точки зрения экономической эффективности, обычная Стоимость сети очень низкая (поскольку для имеет только короткие соединенные ребра, поэтому она потребляет меньше ресурсов), а производительность также очень низкая (поскольку для имеет большую длину пути). случайная сетьиз代价очень высокий（потому чтодля它长连接изсторонамного,Так он потребляет больше ресурсов),в то же время效能也очень высокий（потому чтодля Длина пути мала）。Малая всемирная сеть сочетает в себе преимущества обоих, то есть стоимость относительно невысока.（只иметь少量из长连接сторона）,Но эффективность очень высокая（正Это потому чтодляиметь少量из长连接сторона,Значит длина пути меньше). Так,люди Brain-like – это меньшее потребление,Но эффективность очень высокаяиз Маленькая всемирная сеть.

(2) Степенное распределение степени узла

YongHe., 2007

Еще одна характеристика мозговой сети – Степень Степенной закон распределения узлов. Как показано на рисунке выше, абсцисса верная Степень. узла Выбиратьверночислоназадизценить,纵坐标даверно Совокупное распределение занимаетверночислоназадизценить。幂律分布из特точкадаСтепень большинства узлов относительно невелика, и лишь немногие узлы имеют высокую степень.。度很大из节точка也сказатьдля枢纽节точка（Hub）。Hub节точка可к认дляда大мозг信息传递изсередина心,Это потребляет больше ресурсов мозга. Приведите менее точный пример,Как и среди людей, менее 10% людей владеют более чем 90% богатства.,Менее 10% областей мозга могут потреблять более 90% ресурсов.

（3**）Модульная структура**

Человеческий мозг имеет модульную распределенную структуру. Математически,Модуль содержит несколько областей мозга,这некоторыйОбласти мозга внутри модуля тесно связаны друг с другом, но плохо связаны с областями мозга вне модуля.。нравиться果Пучок大мозг比делатьодининдивидуальный公司,Каждый модуль – это отдел.,Тесное общение между сотрудниками разных отделов,Связь между отделами осуществляется в основном через ответственного лица. Вернуться на уровень работы мозга,Модуль состоит из областей мозга со схожими функциями.,Таким образом, в обработке задач участвует весь модуль.,处理速度Сразу会很快。начальстволапшаизкартинато есть大мозг Модульная структураизодининдивидуальный例子。大мозгиз模块主хотетьиметь：Сеть по умолчанию、визуальная сеть、слуховая сеть、Сеть контроля исполнения и т. д.

Есть еще много свойств мозговых сетей. Некоторые из них являются производными от этих свойств. Например, эффективность сети определяется на основе кратчайшей длины пути. Есть также некоторые атрибуты, которые характеризуют мозговые сети с других точек зрения, например, посредничество и так далее.

Конечно, есть много точек знаний, таких как мой любимый клуб богатых, динамическая мозговая сеть и т. д. Чэнь Яочунь пришел на работу, я оставлю ему сцену в следующем выпуске, и, наконец, отдам его вам. пара, которой я очень восхищаюсь. Таблица отношения к научным исследованиям.

17. Независимый анализ компонентов

по математике,Метод, который мы используем для декодирования серии смешанных сигналов в серию исходных сигналов, называется слепым разделением источников (BSS, слепое разделение источников). source разделение), а анализ независимых компонентов (ICA, независимый component Анализ) представляет собой типичный метод слепого разделения источников.

Как уже говорилось ранее, Ли Гудан во время приема узнал голос бригадира.,Во многом причина заключалась в том, что он уже знал характеристики голоса бригадира.,Компьютер не знает конкретных характеристик исходного сигнала.,此часнас Сразу需хотеть多индивидуальный观测число据（напримерРазместите m микрофонов в разных местах комнаты, где разговаривают n человек.）,и且нас需хотетьm>n（Прямо сейчас话筒число需хотеть大Вобъяснять话излюдичисло）。这涉及到矩阵求解серединаиз超定инедоопределенная проблема,Никаких дополнительных подробностей здесь приводиться не будет. Эта статья представляет собой серьезную и неформальную научно-популярную статью автора для,接Вниз Приходить我需хотеть列один Вниз公式：

Предположим, некоторые данные сделан из n генерируется из независимого источника данных. Мы наблюдали следующее:

*x = As*

здесь матрица A представляет собой квадратную матрицу и называется матрицей смешивания. наблюдать или записывать m раз вы можете получить набор данных { x(i); i = 1, 2, … , m},насиз目标да利用已经产生изчисло据( x(i) = As(i) ), чтобы восстановить источник данных s(i)。

Внимательные студенты, возможно, обнаружили,В приведенной выше формуле,Нам известен только сигнал наблюдения x,Матрица смешивания A и матрица исходного сигнала сверно нам неизвестны. Те из нас, кто учился на высшей ступени девятилетнего обязательного образования, знают, что,Невозможно найти два неизвестных с помощью одного уравнения.,При этом Aиs могут иметь бесконечные решения. Поэтому нам нужно добавить больше ограничений, чтобы ограничить его. Здесь мы вводим понятие Центральной предельной теоремы (Центральной предельной теоремы).,при соответствующих условиях,Средние значения большого количества независимых случайных величин сходятся к нормальному (гауссовскому) распределению в соответствии с распределением после соответствующей стандартизации. Проще говоря,Более смешанные переменные,Чем более гауссова (тем сильнее гауссовость). Тогда мы сможем узнать, думаем ли мы вместе в обратном направлении.,Более независимые переменные,Негауссовость будет сильнее. Если мы далее предположим, что наши исходные сигналы независимы друг от друга,Затем используйте негауссовы свойства параметров, таких как эксцесс, для количественной оценки.,Тогда, пока мы находим набор взаимно ортогональных переменных s с наиболее сильными негауссовскими свойствами,,Это исходный сигнал, который мы хотим получить.！这то естьICAиз基本原理。具体изICA优化алгоритмиметьмного,基В定точка递推алгоритм（fixed-point алгоритм) fastICA, Informax на основе алгоритма максимальной совместной энтропии и градиента, а также оценки максимального правдоподобия (MLE, Maximum likelihood оценка) и т. д., я не буду здесь вдаваться в подробности.

​ 接Вниз Приходитьто естьICAсуществоватьfMRIсерединаизотвечать用Понятно。由Нет.十期大话мозг成像нас知道,Данные ф МРТ представляют собой четырехмерные данные.（трехмерное пространство плюсодин维извремя）；Поскольку четырехмерное пространство трудно себе представить, чтобы облегчить воображение, мы сначала преобразуем трехмерную матрицу в одномерный вектор, как показано на рисунке ниже.

假设нас Включатьv данные воксельной ф МРТ, t временных точек,该число据Содержит k взаимно независимых исходных сигналов.,насиз四维fMRIчисло据Сразу可квыражать成одининдивидуальныйвремя（time）т пространстваvиз二维矩阵,в ИКА,Это также наша матрица сигналов наблюдения x（Внизкартинаждать式最左）；инасхотеть求解из源Сигналsматричное правилодля源Сигнал成分（source）k пространстваvиз矩阵（Внизкартинаждать式最右）,То есть карта пространственного распределения каждого компонента и временной ряд каждого компонента;,Прямо сейчасвремя（time）t исходной составляющей сигнала (источника)kиз矩阵（Внизкартинаждать式最右）,Тогда для смешивания матрицы A.

кначальстводаПровести ICA-анализ на индивидуальном уровне. найти общие ингредиенты группы людей,и выполнять сравнения статистики на уровне группы,Мы часто проводим групповой ICA-анализ после объединения стандартизированных данных целой группы испытуемых с течением времени.,Как показано ниже。

Конечно, существует множество способов выполнения группового ICA, и временной сплайсинг — лишь один из наиболее часто используемых методов. На рисунке ниже показаны пять различных методов и соответствующих наборов инструментов:

а. Рассчитайте ICA на уровне отдельного предмета;

б. Временное сращивание отдельных ф МРТ;

c. Пространственное сращивание отдельных ф МРТ;

d. Средний уровень группы;

e. Tensor-ICA (исходные данные не склеены),для Предметвремя空间三维число据）。

наконецразговариватьодинразговаривать笔者常常被问到изодининдивидуальный问题问题к及笔者自己верно此изпонимать：ICAифункциональная связьиз关系。Как показано ниже,насПредположим, есть простые данные ф МРТ, которые содержат два компонента исходного сигнала. Первый компонент (Источник 1) имеет высокие значения интенсивности распределения по двум вокселам и почти не имеет распределения по другим вокселам (вверху справа на рисунке).；А значение интенсивности распределения других компонентов на этих двух вокселах очень мало (поскольку исходные сигналы независимы друг от друга, это должно удовлетворяться)；**Так这дваиндивидуальный体素извремяпоследовательность必然高度Связанный Всмешивание矩阵из同одининдивидуальный То есть Нет.одининдивидуальныйвремяпоследовательность（Time Course 1) между ними также должна быть высота Связанный, то есть расстояние между двумя вокселами функциональное. высота связи Связанный, то есть вокселы внутри единого компонента должны иметь высокую степень функциональности. связь. **Возврат к статистике индивидуального уровня (здесь конкретно статистика подарков), если интенсивность пространственного распределения одного и того же компонента (например, DMN) в двух группах испытуемых находится в отдельных воксельных областях (например, в PCC) имеет Существенную разницу, мы также можем понимать, что это воксельная область (например, PCC) двух групп субъектов и функциональная часть других вокселей внутри этого компонента (например, DMN). связьсилаиметь Существенноразница。

18. Обобщенная линейная модель GLM (Часть 1)

​

почти всеизмозг影像статистикаанализировать都涉及общая линейная модель（general linear model,GLM）,включать Задача态изанализ первого порядкаипочти всеиз基Вуровень группы вокселей или поверхностейстатистика。поэтому,владелецМодели GLM имеют решающее значение для статистического анализа изображений мозга.。本文将深入浅внеговорить解GLMсуществовать磁共振影像статистикасерединаизотвечать用,适合磁共振影像Исследоватьиз初学者入门及从业者温故。（觉得иметь用给индивидуальный打call,Старый утюг, двойной клик 666)

1. Обобщенная линейная модель и общающаяся линейная модель (Предисловие)

Прежде чем начать статью, позвольте сделать отступление и исправить распространенную ошибку перевода (перевод ошибка). В исследованиях по визуализации мозга люди часто обращаются к GLM (общей линейной model)翻译成广义线секс模型,на самом деле比较确切изобъяснять法отвечать该даобщая линейная модель,Исходный английский текст реальной обобщенной линейной модели должен быть для обобщенных линейных моделей (GLM).

обобщенная линейная модель models,GLM) представляет собой гибкое обобщение обычной линейной регрессии.,Он учитывает модели распределения ошибок и ненормально распределенные переменные ответа. Обобщенные линейные модели работают, позволяя линейным моделям передавать функцию связи (ссылка function）и响отвечать变量из Связанныйк及允许Каждыйиндивидуальный测量из方差из大小делатьдля Чтопредсказыватьценитьиз函число Приходить推广线секс回归。

Формула:

​ Среди них ожидаемое значение E(y)дляy, Xβсделан из Неизвестный оцениваемый параметр βи Линейная оценка, состоящая из известной переменной X,g — функция подключения.

То есть,Обобщенная линейная модель состоит из двух частей: 1. Линейная модель. 2. Функция связи (может быть нелинейной). Функция связи зависит от распределения Y.

​ иобщая линейная модель（general linear модель, GLM) формула:

​ где Y — матрица, содержащая зависимые переменные. X — матрица плана, содержащая независимые независимые переменные. B — матрица, содержащая несколько оцениваемых параметров. ты даодининдивидуальный Включать误差и剩余项из矩阵。

​ **общая линейная модель содержит только линейную часть обобщенной линейной модели. **Когда Y подчиняется нормальному распределению, функция связи в обобщенной линейной модели является тождественной, то есть g(E(y))=y. В этот момент обобщенная линейная модель становится тождественной. линейная модель。То есть,общая линейная модель — это специальная модель обобщенной линейной модели, которая является подмножеством обобщенной линейной модели. В исследованиях по визуализации мозга мы используем только эту особую форму обобщенной линейной модели, которая является общей. линейная модель（general linearmodel,GLM）。

Из предыдущей формулы,мы можем найти,общая линейная Модель представляет собой форму непрерывного сложения, состоящую из разложения зависимой переменной Y на произведение множественных коэффициентов регрессии x и ее параметра доли β в модели, а также с помощью обобщенного метода. наименьших Такие алгоритмы, как квадратов и другие алгоритмы, подходят к модели таким образом, чтобы минимизировать ошибку ε. В исследовании ф МРТ регрессором здесь может быть анализ. первого Матрица исходных сигналов состояния задачи в порядке（onsetиHRFиз卷积）、гнатьсявремяточкаиз头动参число；也可кда组水平статистика（二阶анализировать）часиз分组дизайнк及组水平из协变量нравиться年龄/секс别/Течение болезни/教育年限ждать。

2. От коэффициента детерминации к критерию значимости

Упомянутую выше общую линейную модель также можно выразить следующей формулой

Закончив с этим, давайте вернемся к делу. Теперь предположим, что у нас есть набор x, y. Как показано в Таблице 1

Таблица 1

Теперь мы используем функцию графика в Matlab, чтобы построить ее в виде диаграммы рассеяния.

然назаднас再用polyfit函число（метод наименьших квадратов), чтобы найти точку пересечения и наклон линейной регрессии, которая is 0и1. Другими словами, прямая линия, которая лучше всего соответствует этому набору данных, — это y=x. Затем мы используем функцию построения графика, чтобы нарисовать рисунок 1, и получим следующий рисунок. 2

Рисунок 2

此часнасхотеть引入одининдивидуальныйКонцепция дисперсии。Для дисперсии Приходить度量Следовать机变量и Чточисло学期望（Прямо сейчасиметь в виду）之间из偏离程度。Его можно использовать для измерения степени дисперсии данных (под которой можно понимать неизвестную степень данных), которая является источником вариаций.

Ручная роспись, рекомендуется для коллекции.

У зорких учеников могут возникнуть вопросы (Студент Дусю, садитесь), почему здесь к коэффициенту детерминации нужно прибавлять квадрат к R? Да, коэффициент детерминации здесь численно равен квадрату коэффициента корреляции продукта-разности Пирсона r.

​ Так как же нам ответить на вопрос, значима ли корреляция, которую мы обычно рассчитываем?

Как мы все знаем,Распределение коэффициента дисперсии соответствует распределению F. поэтому,Мы можем выполнить F-тест на соотношение вариаций, вызванных регрессией, к остаткам.,То есть проверить, превышает ли вариация, уменьшенная регрессией, остаточную величину.,Вы можете получить Существенно уровень Связанный. Следующее:

До сих пор,Мы полностью освоили использование glm для расчета наклона и пересечения модели.,И рассчитаем Связанный коэффициент и коэффициент детерминации через модель glm.,И, наконец, верно Связанный провести Существенно секс-тест. До сих пор,У нас есть предварительное понимание принципа истинноglm. Что касается того, как использовать glm для выполнения t-теста и дисперсионного анализа,И матрица проектирования иверна, настройка и применение матрицы соотношений.,

19. Блок или событие? —— Обратный ответ от обработки данных о состоянии задачи

нравиться果Пучокмозг功能核磁Исследовать比делатьодининдивидуальный江湖,Состояние задачи — это храм Шаолинь в этом мире (мировые боевые искусства зародились в Шаолине, фактически состояние задачи ф МРТ также является самым ранним ф МРТ),ипарадигмаиздизайн便да Задача态из核心功夫(ты可кпониматьдля易筋经или者72绝技之类из Бар）——Задача态экспериментиз好坏成败,экспериментдизайн占据首хотеть地位。экспериментпарадигмаиздизайн主хотетьвключатьblockдизайниeventдизайн：Конструкция блока проста и груба.,Это жесткое кунг-фу горизонтальной тренировки (золотой колпачок).,железная рубашка),Дизайн мероприятия гибкий,Это расширенный высший ментальный метод (Божественное Навык Девяти Ян). Итак, существует ли какое-нибудь хорошее кунгфу, которым можно практиковать как внутри страны, так и за ее пределами?,Конечно, есть,то есть ПучокBlockиEventсмешиваниесуществоватьодин起练изMix（смешивание）дизайн。но尺иметь所短,Дюйм длинный,Каждое из этих боевых искусств имеет свои преимущества.,Если вы тренируетесь небрежно,Легко увлечься,Станьте Оуян Фэном.

**Так到底该怎么选择Шерстяная ткань？на самом деле这индивидуальный问题даиндивидуальный江湖начальство老生常разговариватьиз难题（Сразу像讨论我и Кто красивее, Шон Юэ?,Есть разные мнения,Мне и Лаоюю очень сложно это сделать),Обычное решение — просто рассмотреть цель исследования.,Например, то, как подавать стимулы, может лучше отражать необходимые психологические процессы и т. д. Приоритет необходим для достижения исследовательских целей,Но если не учитывать последующие вопросы применения Обработки данных,Сразу会вне现用骑兵（Прошу прощения,Я фанат холодного оружия) для ведения осадной войны,Стратегическая ошибка использования пехоты для боевых действий. так,То, что вы видите сегодня, — это закаленная в боях,Прикладная стратегия ф МРТ, предложенная генералом-разработчиком стратегии (тип Макартура),Прямо сейчаслапшаверно不同из Исследовать问题、不同изанализироватьметодчас,Как рассматривать экспериментальный дизайн целостно. **Это не будет сделано после завершения эксперимента и сбора данных.,Однако это вызывает всевозможные ненужные проблемы при обработке данных.

Поскольку я хочу научить тебя выбирать кунг-фу.,那когда然хотеть Понятно解один ВнизBlockиEventдизайн各да Что？各自иметь Что优缺точка？существовать江湖начальство地位怎么样？BlockиEventодин起练走火入魔из Вероятность Он большой?？走火入魔Понятно还能抢救один Вниз子不？В какой больнице лучше лечиться?？ждатьждать这некоторый问题。насодининдивидуальныйодининдивидуальный Приходить：

Первый — блочный дизайн. Блок — это то, что все часто называют **блочным дизайном. **Сказать особо нечего, есть картинки и правда.

Это легендарный дизайн Block.,Картинка говорит сама за себя (не правда ли, она очень сильная). в течение определенного временного окна,Непрерывное предъявление однородных стимулов,Это самое простое описание блочного дизайна. Сама конструкция не имеет сложных и замысловатых операций.,Ведь это тяжелый труд,Тренировать нужно мышцы, кости и кожу. Не смотрите на то, что оно появляется раньше,выглядит просто,носуществовать江湖начальство曾经统治Понятно Задача态экспериментдизайн很长одинчастьвремя。Самым большим преимуществом блочной конструкции является ее высокая статистическая эффективность для простых задач с более высоким уровнем обнаружения мощности. функции позиционирования。когда然blockдизайниметь优точка也иметь缺точка,Этот вид простого и грубого горизонтального обучения сталкивается со многими проблемами при столкновении с более сложными когнитивными процессами.,Например**, этот проект по принципу «все или ничего» нельзя использовать для параметрического проектирования.,Не говоря уже о том, что параметры были скорректированы****. **Кроме того, испытуемых просили выполнять одно и то же задание в течение длительного времени.,Эффект усталости/практики испытуемого приводит к снижению эффекта (пограничный эффект), и исключить неправильные ответы сложно.ждатьждать问题都让这некоторый武林高рука们越Приходить越想寻找到更好издизайнпарадигма（фыркать,Конечно же, всем нравится новое и не нравится старое.,Ой,мужскойлюди！）。

Любовь к новому и ненависть к старому — движущая сила человеческого прогресса. Ивент, то, что мы часто называем событийным дизайном, возник из ниоткуда (на самом деле он не оригинален). Это по-прежнему картина, определяющая мир:

На этой картинке очень понятно описано, что такое Связанное событие.,то естьодин种类型из刺激верноотвечатьодин种模式из神经活动模式（这середина间涉及изнравиться何Оценка нейронной активности на основе функции HRF и линейной модели。这индивидуальный新изпарадигмаиметь Что好处Шерстяная ткань？最大из好处то есть灵活。Псевдорандомизация стимуляции позволяет избежать возможной путаницы в поведении, вызванной методом блочной стимуляции, и в то же время позволяет гибко обнаруживать изменения в реакциях функций мозга, вызванные различным поведением или экспериментами разной природы.。так这种延展сексиз好内功心法从1996лапша世至今便受到Понятно众多追捧。но Так же,Давайте взглянем на его недостатки: **Проектирование мероприятий дает вам неограниченные возможности, в то же время,Также принесите Приходить Понятноты错误Вероятностьиз提升。

С учетом особенностей мероприятия Связанный дизайн,Его статистическая структура представляет собой структуру частоты, состоящую из серии импульсов.,Таким образом, некоторые высокочастотные сигналы изменения будут вызваны,И ветераны Ляньцзяцзы, знакомые с ф МРТ, все это знают (неважно, если вы с ним не знакомы),Я говорю вам),ф МРТ в основном фокусируется на низкочастотных сигналах.,Следовательно, эта часть сигнала высокочастотных вариаций может быть отфильтрована из-за низкочастотных характеристик гемодинамического ответа.。这Сразу会导致число据из信噪比Вниз降,Уменьшение отношения сигнал/шум, скорее всего, приведет к ложноотрицательным результатам в эксперименте (вероятно, это означает, что если вы используете для, вы получите настоящую любовь),А на самом деле я знаю отморозка). **Что касается различных типов оформления событий (например, быстрого, медленного, с добавлением джиттера и т. д.), мы не будем обсуждать их здесь подробно.

Блокировать ивент-дизайн после сведения,то естьнас**常объяснятьизMixдизайн。**同样даодинкартинак蔽之：

одинсмотреть Сразу知道,Желтый стимул и синий стимул относятся к разным типам.,поставить в блок,让它们能够существовать Следовать机время间隔Вниз交替вне现。так Сразу将重复刺激集из特征块дизайн测量исобытие Связанныйдизайн检测到из瞬态响отвечать Взаимно结合。可к提Выбирать显示ипроект Связанныйиз信息处理模式(瞬часиз)илии Задача Связанныйиз信息处理(持续из)из大мозг区домен。

Но вдвойне счастливее,Множественные заботы. Гибридный дизайн позволяет одновременно практиковать как внутренние, так и внешние навыки.,Повышенная сложность занятий.,Вам следует больше учитывать при разработке задач,Например, Связанный характер BlockиEvent должен быть как можно ниже.,В то же время вы хотите лучше понять предположения задачи.,否则существоватьназад续изсобытие Связанный激活из事назаданализироватьсередина只能мужской默женский泪Понятно（主хотетьсделан из В这种Результаты проектирования имеют плохую форму HRF.）。так Тщательно практикуйте продвинутые боевые искусства,Это требует семидесяти или восьмидесяти лет упорных тренировок в глубоких горах и старых лесах.

Выслушав так много, Уцзи, как много ты понимаешь? Что, совсем забыл. Хорошо, очень хорошо!

Это показывает, что вы не забыли первоначальное намерение изучать кунг-фу.,Что ты будешь делать, если выучишь кунг-фу?,Решите проблему。Дизайн-эксперименты основаны на гипотезе,Руководствуясь этим предположением,для Для решения целевой проблемы,需хотеть将возможный影响изпотому что素进ХОРОШО调控Приходитьнаблюдать不同条件Внизизрезультатсостояние。怎么才能наблюдать到这некоторыйрезультатсостояние Шерстяная ткань？答案дастатистика（много老铁смотреть到这два字头疼,Это не имеет значения,Siying Technology ищет Джи Планка,Он по статистике похож на Цая xk).

так,Вам не очень полезно помнить об этих преимуществах парадигмы.,重хотетьизда**ты想хотетьнаблюдатьизрезультатсостояниеда Что样из？тыхотеть用Что样изстатистика Способ？назад期из Обработка данных Какой анализ вы хотите провести? Хотите ли вы провести PPI (физиологическое психологическое взаимодействие), хотите ли вы DCM (динамическую причинно-следственную модель) **** Хотите ли вы провести сетевой анализ состояния задачи? **На эти проблемы влияет экспериментальный план. Если вы дадите мне данные о состоянии задачи, полученные с помощью гибридного дизайна, и попросите меня выполнить PPI, я могу только пожелать вам удачи. Но вы не можете не платить за обработку. Я также хочу купить пакет Fat House Happy Package (сделать Обработку). данных很累из,Устали, как гастарбайтеры,Частое перенапряжение мозга приводит к неспособности позаботиться о себе).

20. Блок или событие? — Обратный ответ от обработки данных о состоянии задачи (Часть 2)

начальство回书объяснять道必须хотеть根据ты选择攻城还да突袭Приходить选择合适из兵种。,дасуществоватьэкспериментдизайн阶часть Сразу根据назад期изстатистикаметодианализировать目из Приходить进ХОРОШО充分考虑从идизайнвне决胜千里изэксперимент方案。Такнас先смотретьодин Вниз Задача态число据статистикасередина需хотетьлапшаверноиз问题и常用изанализироватьметод。

Первый — статистическое моделирование данных о состоянии задачи. Это то, что мы часто называем моделированием первого порядка. В основном мы говорим о статистических тестах, взяв в качестве примера моделирование СЗМ (то же самое касается и других статистических инструментов визуализации мозга, которые все основаны на общих линейных моделях). Вот иллюстрация:

В моделировании СЗМ первого уровня есть место, где отражаются преимущества СЗМ. В единицах for design这индивидуальный选项Вниз,**Есть два варианта: «Сканирование» и «Секунды». **Этот параметр не используется для выбора, используете ли вы эксперимент с блочным дизайном или с дизайном событий.,Скорее, он позволяет вам выбирать, какие единицы использовать для линейного моделирования последовательностей стимулов.,Это то, что мы часто называем началом.

Выберите «Сканирование» и установите единицу измерения для количества сканируемых кадров.,То есть, сколько функциональных изображений всего мозга вы отсканировали (на самом деле, сколько моментов времени),Выберите «Секунды» и установите единицу измерения времени.,То есть конкретный момент времени, когда представлен ваш стимул. Чем они отличаются? Это связано с дизайном задач. Потому что единицей количества отсканированных картинок в для является целое число,такнравиться果тыиз刺激вне Сейчасне может бытьTR整除извремяточканачальство,Вы не сможете использовать обработку сканов.。

поэтому,существоватьквпередиз江湖里Ходит такой стереотип,Моменты времени задачи, предназначенные для ф МРТ, должны быть кратны TR. Этот метод было относительно легко реализовать в ранней конструкции Block.,Однако реальную рандомизацию интервалов стимулов в Event трудно адаптировать к этому. так,Если вы хотите использовать обработку модуля scansдля для проверки статистики,ТакEventдизайнвозможный Сразухотеть离тыи去Понятно。那даbig Ошибка! (Расставание, это так непринужденно у тебя во рту? Событие, подонок!)

Метод **Сканирования**** идеально подходит для Блокирования.,поэтому Чтостатистикарезультат Взаимноверно Приходитьобъяснять也更具иметьdetection власть. **Хотя некоторые люди упорно верят, что для этого сделано из Вscansизстатистика Способ带Приходитьиз,Но на самом деле в последующей статистической модели между этими двумя методами определения единиц измерения нет никакой разницы.,**Напротивsecondsделатьдля Единицы более точны,При этом, если ваша задача требует различения правильных и неправильных ответов,Сопоставление блок-сканов позволяет смешивать эффекты правильных ответов и эффекты неправильных ответов. **поэтому,Все больше и больше людей попадают в объятия секундантов. так,С этой точки зрения,Если вы просто хотите использовать блоки сканирования для проверки статистики,Рекомендуется использовать блочный дизайн.

Во-вторых, существует анализ второго порядка. Мы знаем, что анализ второго порядка проводится на уровне группы. При анализе на уровне группы мы сталкиваемся с проблемой использования T-теста или F-теста. Речь идет о том, как контролировать переменные при планировании эксперимента. Это факторный план или параметрический план? Сколько переменных имеет одна и та же переменная? Фактически, это содержимое не влияет напрямую на выбор экспериментальной парадигмы, то есть на то, выбираете ли вы Блок или Событие. Так что вы можете быть уверены в этом шаге.

хорошо,Сейчасиндивидуальный体建模建хорошо,Групповой анализ также дал результат,Все ли в порядке? Конечно, нет,В конце концов, молодые люди все еще деревенские! Ваш учитель считает, что объяснение результата слишком грубое.,Никаких дальнейших результатов анализа. На этот раз вы столкнулись с более сложными методами анализа. В состоянии задачи ф МРТ Обработка данных,Мы часто используем PPI (модель психофизиологического взаимодействия) и DCM (динамическую причинно-следственную модель) с направленными связями мозговых сетей.

Как можно покорить мир, не сканируя картинку? Диаграмма моделирования PPI ниже. Я вижу, что ваш скелет потрясающий, вы уникальный мастер обработки данных о функциях мозга. Если вы поможете мне переслать эту замечательную статью, я отдам ее вам бесплатно. Первая линия, которую вы видите, — это эффект психофизиологического взаимодействия.

Анализ PPI преследует две цели.,Нет.один种даанализироватьопределенныйиндивидуальныйидентификациямозг区верно Другойодинмозг区из影响（проходитьвремяпоследовательность Связанный Приходитьвычислить）данравиться何проходитьэксперимент条件или者Задача Приходить改变из；Нет.二种даодининдивидуальныйидентификациямозг区верноодининдивидуальныйэксперимент环境из反馈данравиться何靠Приходить自Другойодинмозг区из输入Приходить进ХОРОШО调节из（Внизлапшаизкартина生动形象,Пожалуйста, игнорируйте математические формулы и английский язык). Это нечто среднее между анализом FC и направленными сетями.,Часто предпочитают анализ данных о состоянии задачи (если вы не понимаете PPI,Пожалуйста, остановитесь в конце статьи,Приходить,少年точка这индивидуальный链接：Уведомление об обновлении: четвертый специальный класс ф МРТ с состоянием задачи.**,**Статус задачи Обработка данных Какая компания сильнее?,Найдите Лао Янга в Нанкине, Китай).

здесьнас主хотеть考虑PPIанализироватьверно Задачадизайнизхотеть求。**существоватьPPIанализироватьсередина,Требуется для извлечения временных рядов области мозга.,и提Выбиратьиз这индивидуальныйвремяпоследовательностьсередина需хотеть Включать类型刺激из连续последовательность信息。На нас часто влияют задачи, выполняемые субъектами, и мы разделяем общий объем стимуляции на разные сеансы (или прогоны).）呈现给Предмет,**这Сразу导致Понятнонас收集到из Задача态fMRIизчисло据и不да连续из。нас往往существоватьодин阶建模изчас候проходитьsessionиз设置Приходитьзакончи этоодиншаг。

Однако моделирование PPI требует от нас сделать все стимулы максимально непрерывными, чтобы мы могли получать непрерывные изменения временных рядов в интересующей области под всеми стимулами. Таким образом, такие методы экспериментальной работы вызывают последующие вопросы, такие как объединение всех изображений для моделирования, расчета времени начала, непрерывности файла движения головы и т. д. при последующей обработке. Этот вопрос также упоминается в руководстве SPM. Так можно ли эффективно избежать этой проблемы? Это вопрос выбора экспериментальной парадигмы.

Помещайте однородные задачи в сеанс**（или者run****）середина呈现给Предмет能够иметь效解决PPI****анализироватьсерединалапшаверноиз这индивидуальный问题。**虽然назад续проходить Пучоккартина片放существоватьодин起可к处理начальстволапша提到из问题,Но я считаю, что твой учитель, должно быть, сказал тебе,**Добавьте больше губок（俗сказать物理降噪）比ты用头动参число回归Приходитьконтрольлюдидля噪声影响хотетьиметь效из多。**существоватьздесь Слишком同样из道理,Он может эффективно извлекать временные ряды задачи в определенной области мозга. Так как же это сделать? Если мы внимательно об этом подумаем, то обнаружим, что,Блочные конструкции облегчают эту задачу. Обычно одно из наших заданий длится 6-10 минут (10 минут — это слишком долго).,мне жаль субъектов,В противном случае я дам тебе попробовать,Ваше время и деньги будут потрачены зря),Поэтому, когда общее количество времени фиксировано,,Чем меньше видов раздражителей,Чем больше число предъявляемых стимулов. С точки зрения эффективности,Мы должны обеспечить эффективное количество стимулов.,поэтому,Нашим выбором становится сокращение видов стимуляции. Несколько видов стимуляции,О чем ты подумал? верно,На этот раз ты все понял правильно,Это парадигма блочного дизайна.

接着да更高级изиметь向网络连接——DCM（动态потому что果模型）。В ф МРТ состояния задачи мы в основном используем детерминированную модель DCM****, то есть при относительно ясных априорных предположениях мы предполагаем, что несколько областей мозга будут демонстрировать разные модели связей, когда они вводятся или регулируются различными задачами или. характеристики. Исследователям часто приходится сначала выбирать исходные точки (или области интереса, или рентабельность инвестиций) на основе априорных предположений.,然назад定义один组备选из连接模型。再проходить**贝叶斯метод（高大начальство）**Приходить进ХОРОШО模型选择,Это содержание немного ошеломляет вас? Тогда давайте сразу перейдем к теме,Если вы хотите провести последующий анализ DCM,На что следует обратить внимание при планировании эксперимента?

Это изображение модели DCM также раздается бесплатно. Хотите это сделать? Или Siying Technology должна найти Лао Янга?

на самом деле这даитыиз理论能力直接Связанныйиз,для позволяет лучше строить модели,Вопросы, требующие от вас ответов на вопросы, вызывающие четкую реакцию в области мозга, представляют собой задачи, призванные вызвать ответы**. для может повысить точность модели,Чем яснее функция целевой области мозга, тем лучше,так才可к更好изкидентификацияиз Задача Приходить引起该мозг区из Задача响отвечать。**итакизописыватьты Да или нет想起Приходить Что？Это верно,那то есть从理论начальство Приходитьобъяснять,Блочная**** конструкция часто используется для функционального позиционирования.

для может лучше изучить сетевые связи между различными областями мозга,При моделировании DCM****, чем больше функциональная разница между различными исходными точками, тем выше функциональная согласованность внутри исходных точек.,Чем точнее результат моделирования。в то же время也更好判断Задача输入мозг区или者位ВЗадачасуществовать网络调节关系серединаиз位置。需хотетьэкспериментдизайнсередина Задача类型разница较дляочевидный,Это может лучше вызвать реакцию соответствующих областей мозга. Этих требований легче достичь при блочном проектировании.,На дизайн событий и гибридный дизайн в определенной степени влияют ограничения парадигмы с точки зрения статистической эффективности. Но это не значит, что этого не может быть,Мы говорим о том, как стать лучше!

21. Краткий разговор о радиомике.

Концепция радиомики была впервые предложена голландским ученым Ван Нистелроем.,предложено в 2012 г.,Более глубокий смысл, который он подчеркивает, относится к высокопроизводительному извлечению большого количества графической информации из изображений (КТ, МРТ, ПЭТ и т. д.).,Реализовать сегментацию опухоли, извлечение признаков и создание модели.,в силуверно海量影像число据信息进ХОРОШО更深层Второсортныйиз挖掘、предсказыватьианализировать Приходить辅助医师Делатьвне最准确из诊断。

Итак, вы можете узнать самую основную информацию из концепции:

1) Основой радиомики являются данные изображения;

2) Радиомика нацелена на опухоли;

3) Исследования в области радиомики опираются на большой объем потенциальной информации о изображениях;

4) Большинство исследований в области радиомики включают работу по сбору статистических данных;

5) Помощь врачам в постановке диагноза.

Необходимо указать вышеуказанные информационные моменты,也Сразу Понятно解Понятно影像组学Исследоватьизодининдивидуальный Простой流程：

1. Получение данных изображения—>2)肿瘤из标定、разделение—>3)Извлечение особенностей изображения—>4)анализ данных[Radiomics: Images Are Morethan Pictures, They Are Данные] статья обобщает процесс исследования омики в 5 этапов:

1 Получение данных изображения

Данные визуализации включают КТ, МРТ, ПЭТ, ультразвуковые изображения и т. д.,В экспериментах обращают внимание на контрольные переменные.,поэтомусуществоватьодининдивидуальный影像组学Исследоватьсередина,Объективный метод сбора данных изображения постоянен: та же машина, та же последовательность, те же параметры.,Если техник по сканированию тоже тот же человек (желательно красивый),и оставаться в том же состоянии во время сканирования,Отлично. Но хотите полный контроль над переменными,Это невозможно. Тем более, что сбор данных настолько сложен,Более того, нам приходится исключить многие заболевания, которые не могут быть включены в эту группу.,Такое качество изображения（например Вентиляция машины）不ХОРОШОиз情况Вниз。ноиметьодинточка知道：CT、MRI、PETждатьчисло据没иметьсмешиваниеанализироватьиз先例。（我感觉自己из机会Приходить Понятно,Нобелевская премия машет мне рукой,Я собираюсь спуститься вниз, и владелец магазина лапши обсудит осуществимость модели смешанного анализа)

2 Сегментация опухоли

​ сегментация опухоли обязательна,Из-за особенностей изображения, извлеченных на третьем этапе,Не все характеристики всего образа заболевания,Скорее, это характеристика расположения опухоли на изображении. (Так же, как икуны любят его за красивую внешность и мускулистого монстра.,Вместо того, чтобы любить свои баскетбольные навыки,Хотя он защищает мяч, как Анри,И однажды научил Ирвинга дриблингу)

Существует множество алгоритмов сегментации опухолей, и в этой статье они суммируются следующим образом (не исчерпывающе, но рассматриваются все аспекты).

Ссылка: Обзор методологий сегментации изображений в медицинских изображениях.

Форма разделения включает **автоматическое разделение,Полуавтоматическая сегментация,илюди разделения труда. **в,люди工разделение通常被用Приходитьделатьдлядлястандартный,Взвесьте плюсы и минусы алгоритмов сегментации. В реальной эксплуатации,Различные алгоритмы сегментации,Каждый из них имеет свои собственные адаптивные сценарии, масштабы и условия.,特别受制В客观条件。Сейчас也没иметь哪种алгоритм敢站вне Приходить,Скажи, что ты адаптируешься,Высокая точность (я вижу, как мне снова улыбается Нобелевская премия),так,самый надежный,还да临床医生们自己рука动勾画ROI（Region of Интерес), в реальных научных исследованиях наиболее часто используемый клинический метод является чисто ручным (называемый лучшим интеллектуальным биоинтеллектуальным методом разграничения в нашей отрасли).

【https://zhuanlan.zhihu.com/p/70758906】（верно,Вы правильно прочитали,Да люди среднегодовая зарплата миллион,藤校毕业из知乎）里лапша从传统разделениеалгоритмодиндо深度学习разделениеалгоритм都进ХОРОШОПонятно较для细致изговорить解。

3 Извлечение особенностей изображения

Об извлечении признаков,Традиционные рентгенологи читают изображения только невооруженным глазом.,Диагностика опухолей опирается на интуитивный и многолетний клинический опыт.,Это дает рекомендации по принятию решений по лечению опухолей. но,МРТ-скан заболевания, оставленный в радиологическом отделении,КТ и другие данные визуализации,Содержит большое количество потенциальной информации об изображении.,например,Диапазон значений серого, интенсивность, характеристики внутренних изменений клеток и т. д. опухолевого изображения опухолевой массы. И эта потенциальная информация,Только на основе клинического опыта врача-визуалиста и его способностей невооруженным глазом.,Невозможно получить точно. поэтому,Традиционное принятие решений о лечении рака,浪费Понятно本该用起Приходитьиз宝藏。

​ Метод радиомики, говоря простым языком, на самом деле очень большой. данныетехнологияимедицинская визуализация Вспомогательная диагностикаизиметь机融合。概念середина提到“高通量地提Выбирать大量影像信息”,Так называемые высокопроизводительные (вычисления),Относится к различным свойствам вычислительной системы, которые используют наименьшее количество ресурсов, самую высокую скорость и большое количество,Для достижения исследовательского метода изучения и предсказания свойств материи. Радиомика использует высокопроизводительные вычисления.,В данных изображения, описывающих рентабельность инвестиций,,Способен быстро извлекать сотни или тысячи функций изображения. Категории функций и их количество приведены ниже:

Существует множество платформ, которые могут реализовать функции извлечения признаков изображения, например, Artificial Intelligent Kit (AK), 3D Slicer и т. д.

4 Анализ данных

4.1 Скрининг признаков (уменьшение размерности)

Скрининг признаков — необходимый шаг в радиомике: сотни или тысячи признаков визуализации (независимых переменных) (теперь большинство омик-анализов также добавляют клинические признаки, генетические особенности и т. д.) в модель для обучения. но эффект модели обычно очень слабый.

Приведите пример,в реальной жизни,Решен основной конфликт (нехватка денег),Большинство второстепенных конфликтов исчезнут (теперь вы можете покупать одежду),Теперь можно есть горячее),Жизнь начинает выглядеть хорошо. Выбор функций тот же,Сотни функций,верно Зависимая переменная (Y,вещи, которые вы хотите изучить), которые оказывают важное влияние,Возможно, всего несколько десятков. Сделал выбор функций,Удалите лишнюю информацию,Избегайте мультиколлинеарности,Упрощенная модель,Сделать модель более обобщающей (универсальность модели,Это показывает, что модель хорошо работает не только с обучающими данными.,Следовать便拿один批число据Приходить,Модель по-прежнему может нормально функционировать),Вот почему существует разработка функций!

Существует множество методов выбора признаков:

1) Тип фильтра: критерий хи-квадрат, прирост информации, коэффициент корреляции (используется изначально, но обычно отфильтровывает большинство признаков);

2) Обертывание: рекурсивное исключение признаков (многократное построение модели и последующий выбор лучших признаков);

3) Встроенные: гребневая регрессия, лассо-регрессия (очень часто используются, курс машинного обучения Сийинга посвящает этому один день);

4) Модель машинного обучения: машина опорных векторов (SVM).,Курсы Siying Technology охватывают дерево решений (DT), случайный лес (RF) и т. д. (хотя эти модели машинного обучения оснащены функциями выбора функций).,Может автоматически сортировать важность функций,Но в реальной эксплуатации,Не рекомендуется использовать модель только для того, чтобы получить все возможности. Обычно насильственная смерть,специфичность, чувствительность,Желаемое значение AUC не будет идеальным).

один Общийговорить特征降维,Все скажут анализ главных компонент (PCA),Курс машинного обучения Сийинга также будет включать этот контент),Но когда размер выборки меньше размера объекта,Этот метод недействителен [причина — параметр и непараметр. Разница,Больше подробностей здесь нет,См. следующий раздел],поэтомукначальство没иметь列вне。

4.2 Создание модели: классификация, прогноз

До этого было проделано много повторяющейся и трудоемкой работы.,Все дело в достижении конечной цели: построении хорошей модели.,Проводит исследование верных объектов, будь то классификация или,Прогноз,Все они имеют очень хорошую кривую ROC и значение AUC.

​ С точки зрения параметров модель можно разделить на параметрическую. модельинепараметрическая модель。параметрическая Условия модели более строгие, чем для, и есть требования к правильному распределению данных и размеру параметров. В раннем научном анализе статистики из-за небольшого объема данных и небольшого количества признаков она всегда была параметрической. модельиз天Вниз。нобольшие В эпоху данных традиционный параметрический метод не может преодолеть существующую катастрофу размерности** (размер выборки меньше количества признаков, снова подумайте о трех телах)**, поэтому непараметрический метод, непараметрический модельотвечать运и生。непараметрическая Нет ограничений на условия распределения модельных данных, и нет необходимости указывать размеры признаков. Вы можете найти закономерности в процессе обучения и сформировать собственную «функцию прогнозирования». (Например, модель прогнозирования клиентов владельца магазина лапши. В ходе бурной дискуссии со мной он слегка раскрыл, что его модель непараметрическая. модель）

Сегодня большая часть машинного обучения является непараметрической, особенно в приложениях радиомики. Сбор данных изображений происходит медленно, а размер выборки невелик, но количество элементов изображения составляет сотни или тысячи. После выбора функций могут использоваться десятки или сотни функций для обучения, классификации и прогнозирования модели.

Большинство моделей машинного обучения, обычно используемых в омическом анализе, можно использовать как для классификации, так и для прогнозирования.

Такие как СВМ,KNN,DT（RF,GBDT,XGBOOST: Все они представляют собой интегрированные алгоритмы, основанные на DT),NB (Наивный Байес),Есть веские предпосылки),нейронная сеть и др. Алгоритмы этих моделей очень красивы и заслуживают рекомендации. В реальной работе модели как SVM, так и RF (случайный лес, я знаю закон темного леса в трех телах) очень стабильны. Среди них RF более удобен, чем SVM, поскольку параметры стабильны, поэтому никаких специальных настроек не требуется. нейронная Хотя сеть пользуется особой популярностью, ее не рекомендуется использовать при небольшом размере выборки (не более 1000). Когда размер выборки недостаточно велик, алгоритм машинного обучения лучше, чем нейронный. сеть работает лучше [иначе глубокому обучению не придется ждать, пока Эра данных только началась].

непараметрическая модельиметь三好：

1）可变секс**：可к拟合许多不同из函число形式；

2）Производительность良好**：верно Впредсказывать Производительность可к非常好；

**3) Модель мощная: **верно не делает никаких предположений или делает незначительные предположения относительно целевой функции.

В то же время ограничения все еще существуют:

1）需хотеть更多число据：верно В拟合目标函число需хотеть更多из训练число据；

2）переоснащение：иметь更高из风险发生переоснащение,верно также труднее объяснить с точки зрения прогнозирования;

3）медленный：**потому чтодля需хотеть训练更多из参число,Процесс обучения обычно медленный.

Если выбор функции сделан правильно,параметрическая модель可к用起Приходитьиз话,Естественно лучше,Потому что для него также есть три хороших вещи:

1）краткий**：理论容易пониматьиобъяснятьрезультат；

2）быстрый：**параметрическая модель очень быстро учится и тренируется;

3）число据更少：**通常不需хотеть大量изчисло据,Он также хорошо работает, когда соответствие данным не очень хорошее.

​ Tips：

1) При обучении модели,Обратите внимание на разделение обучающего набора и тестового набора.,Обычно это 7:3.,也可к自定义。но不хотеть只留几индивидуальный样本Приходить Делать测试。样本量只иметь小几十индивидуальныйизчас候,Перекрестная проверка X-кратности не рекомендуется.

2) Поддерживать баланс данных. Если цель исследования имеет 100 выборочных значений, но 90 из них имеют отрицательные результаты, этот показатель не имеет классификационной или прогнозируемой ценности. Потому что ваша модель была неправильной с самого начала. **Пример:** Когда владелец магазина лапши в первый же день открыл свой магазин, все первые 122 покупателя попросили добавить кориандр. Со временем модель прогнозирования босса сформировала модель, согласно которой все покупатели будут добавлять кориандр в лапшу. 123 покупателя (то есть я) не только отказались есть кориандр, но и очень разозлились и избили владельца магазина лапши. Тогда его модель покупателя неверна. Чувствительность 0.

5 вспомогательная диагностика

Конечная цель радиомики — повторное посещение клиницистов для постановки диагноза, и ее анализ может быть представлен в двух измерениях:

**1) Горизонтальный угол: **Функции изображения сочетают в себе генетические и клинические характеристики для сбора и анализа данных с целью скрининга, диагностики, классификации и прогнозирования стадии опухоли. Молекулярно-биологические характеристики опухолей также можно проанализировать, чтобы обеспечить научную основу для планов целевого лечения.

**2) Продольная перспектива: ** В сочетании с последующей информацией радиомика может прогнозировать эффекты лечения, продолжительность жизни пациентов, эффективность лечения и т. д. посредством анализа изображений до и после лечения, а также разрабатывать индивидуальные и точные программы лечения для клинической практики. помогает.

22. Краткое описание методов анализа состояния задачи. Вы все еще застряли в эпохе активации с одной переменной?

С 1991 года Task-fMRI, как основной метод изучения функций человеческого мозга, внес выдающийся вклад в такие аспекты, как локализация функций человеческого мозга, функциональная сегментация, нейронное декодирование и функциональное разделение сетей. Хотя нынешняя Task-fMRI основана на методе сканирования последовательности быстрой визуализации EPI, первое исследование Task-fMRI было основано на Джоне В. Бейливиле из больницы общего профиля Гарварда, Массачусетс, США. Доктор Белливо использовал МРТ перфузии крови с введением контрастного вещества. Он выполнил визуализацию объема церебральной крови (CBV) до и после визуальной стимуляции испытуемых, а затем вычел два полученных изображения объема церебральной крови и четко наблюдал локальный объем церебральной крови во время зрительной стимуляции. но这篇最早из Задача态Исследовать恰恰体现вне Понятносуществовать Задача态Исследоватьсередина最重хотетьиздваиндивидуальный特точка。Нет.одинда“Изобретательность”,Это зависит от вашего глубокого понимания проблемы исследования и вашей способности гибко решать проблемы.,这некоторый能力Приходить源В大量из文献日积月累из思考ивозможныйиродился с Приходитьиз天赋。поэтому,Затраты времени огромны,В это время деньги,Куайфу можно сравнить с «быстрой эрой научных исследований», которая идет на опережение.,Есть ли более экономичный способ?

Ответ: конечно. Это зависит от второй особенности – «гибкого использования технологий и методов». На сцене, где находился доктор Бейливилль,,还没иметь很好изметод Приходитьвыполнитьверно大мозгсерединамозг活动进ХОРОШОнаблюдатьизметод,Но эту новаторскую работу он выполнил благодаря гибкому использованию метода перфузии крови. Его успех вызвал бум исследований в области технологии функциональной магнитно-резонансной томографии мозга. В следующем году,Зависимость уровня оксигенации крови,BOLD）Сигнал Приходитьнаблюдатьлюдимозг活动изэксперимент Сразу Выбирать得Понятно突破。людимозг功能定位из Исследовать几乎成для Понятнокогдачас最热门из Исследоватьиз问题,верно Зрение、слушание、Двигательная функция、Исполнительные функции и последующие более тонкие когнитивные функции、Исследования языковых функций и других аспектов занимают большую часть исследований ЯМР.

но,Сейчас Простойиз单变量功能анализировать已经不再能获得较大из影响Понятно,С одной стороны, этот тип анализа основан на одномерном анализе на уровне группы.,Исследование его верных исследовательских вопросов опирается на строгие расчеты когнитивного сложения и вычитания или переменного контроля факторного анализа.,Процесс вывода происходит на уровне группы.,верно Отдельные субъекты имеют низкую способность использовать модели обработки данных мозгом.；Другойодин方лапша,该类метод依靠ВUnivariate Analysis Средний путь анализа, который представляет собой среднее значение изменения сигнала кислорода в крови в пределах одного вокселя. С нейрофизиологической точки зрения, во-первых, он не учитывает взаимное влияние между множеством вокселов в локальных областях мозга, обусловленное корковой структурой организации «функционального столбца». обработка схожих объектов. Даже конкретные методы кодирования областей мозга, обрабатывающих информацию о таких объектах, различны. Например, у Хаксби. et al.,Исследование 2001 года показало, что использование информации многовоксельной активации может декодировать объекты, видимые субъектами.,可кпредсказывать Предметсмотреть到из物体да“туфля”还да“бутылка”。и依赖В单индивидуальный体素内иметь в видуизанализироватьметод Прямо сейчас使使用考虑Понятнолюдимозгсередина神经元（на самом деледа细胞）clusterиз组织形式进ХОРОШОcluster层лапшаиз校正也只能смотреть到“туфля”и“бутылка”Это в основномодин致из激活результат。поэтому,Если в сегодняшних исследованиях,Вы все еще застряли в эпохе методов одномерного анализа на основе вокселей всего мозга.,Вы можете быть «вне игры». сегодня,Мы дадим вам более полное представление о некоторых методах анализа и соответствующих наборах инструментов, которые помогут лучше анализировать экспериментальные данные Task-fMRI.,Помогите каждому разработать хорошие эксперименты на основе,Анализируйте данные более эффективно,Входная стоимость горных исследований.

1. Метод расшифровки обработки данных человеческим мозгом — MVPA (MultivoxelPattern Analysis).

Методы одномерного анализа всего мозга для вывода статистических данных на основе модели GLM и матрицы экспериментального плана различны.,Суть многовоксельного анализа паттернов (MVPA) заключается в поиске пространственных паттернов активности мозга, которые хорошо воспроизводятся в различных экспериментальных условиях. от его сути,MVPA на самом деле является проблемой контролируемой классификации (или проблемой прогнозирования).,Этот классификатор пытается обнаружить связь между пространственными паттернами активности мозга, наблюдаемыми с помощью ф МРТ, и условиями эксперимента.

Рисунок 2 Блок-схема метода анализа MVPA

С теоретической точки зрения MVPA относительно сложен, и его трудно объяснить простыми словами.,нас Приходитьпроходить Рисунок 2. Давайте объясним, как работает метод MVPA и что он может сделать для декодирования обработанной информации в мозгу. Во-первых, нам нужны некоторые базовые знания, прежде чем смотреть на картинку ниже. Во-первых, мы должны понимать, что сигнал ф МРТ меняется. Связанный ответ Болда, вызванный активностью нейронов в гемодинамике и метаболической регуляции, в основном отражает синаптические входы, управляющие активностью нейронов, а не их информационный выход, поэтому наблюдение стимуляции через верные входы может моделировать синаптическую входную активность нейронов мозга. Во-вторых, о характере распределения нейронной активности можно судить по наблюдениям и анализу сигналов от нескольких вокселей. Давайте посмотрим на рисунок 1. Кольца разных цветов в зрительной области могут распознаваться по разной кодирующей информации нескольких разных вокселов в одной и той же области обработки (поскольку ф МРТ основана на единицах вокселей, поэтому здесь мы используем слово «воксель» вместо «нейрон»). , **Синий кружок и сине-зеленый кружок в мозгу людей, верно на рисунке 1, могут использовать для обработки одну и ту же область затылочной коры. Работает, но в этой области различие между двумя цветами достигается за счет разной кодировки этих вокселей (разная глубина цвета девяти маленьких квадратов на рисунке 1 представляет разные значения кодировки). ** Поэтому мы можем использовать визуальное пространственное представление сигналов Bold нескольких вокселей в коре головного мозга (в реальных операциях бета-информация о разных вокселах часто используется для дальнейших операций) используется для различения представления двух цветов в мозге. Зная эти две основные информации, давайте пройдемся по Рисунок. 2дальшесмотретьMVPAизанализироватьметодданравиться何实Сейчас全мозгсередина寻找到верноидентификацияверно象из基В多индивидуальный体素из编码模式。

существовать Рисунок Во втором случае мы провели четыре прогона сканирования для каждого испытуемого (в реальных операциях должно быть обеспечено максимальное количество данных), и в каждом прогоне были представлены два стимула А и Б (допускается блочное или событийное оформление), наша цель Более того, метод MVPA можно использовать для поиска областей мозга, чувствительных к двум типам стимуляции, A и B (т. е. областей мозга, которые можно различить с помощью различных методов кодирования нескольких вокселей, как показано на рисунке 1). ). **Сначала нам нужно время начала и продолжительность действия двух стимулов A и B,** а затем использовать эту информацию для построения модели активации всего мозга (т. е. активности на картинке). maps）,Используем прожектор (китайский перевод невыразителен),поэтому Используйте английский,насназад续会介绍这种метод）изметод Приходитьсуществовать全мозг激活模型середина寻找能够проходить多индивидуальный体素из不同weightверноA、Bдва种刺激进ХОРОШО分类измозг区,Могут использоваться различные методы машинного обучения (например, наиболее часто используемый метод SVM).,Или можно использовать линейную модель,还иметьодиннекоторый Что他метод）Приходитьпроходитьвперед三индивидуальныйrunизчисло据训练模型,**Включите его, чтобы определить, какие области на карте активации всего мозга чувствительны к репрезентативной классификации этих двух типов стимулов. **После тренировки,Мы используем данные четвертого прогона для проверки модели (если данных меньше,也可к考虑使用kсвернуть перекрестную проверку Приходить进ХОРОШО）,Приходить评估模型из特异度и敏感секс。

То есть,MVPAметодто естьодин种考虑Понятноиндивидуальный体из大мозгиз神经Сигнал编码методиз机器学习метод。这种методв настоящий момент已经Выбирать得Понятномногоиз Исследовать成果,и且被大量使用。接Вниз Приходить,нас Приходитьсмотреть哪некоторыйнабор инструментов可к更好извыполнитьMVPAизанализироватьметод。

первый Приходитьсмотреть基ВMATLABизнабор инструментов,В первые дни широко используемым набором инструментов был PRONTo (http://www.mlnl.cs.ucl.ac.uk/pronto).,Преимущества этого набора инструментов вполне очевидны.,Но очевидны и его недостатки. Преимущество заключается в том, что инструментарий основан на интерфейсе.,И логика использования вполне понятна,Простота использования,Однако классификация или прогнозный анализ на основе линейных моделей или методов SVM все еще могут быть достигнуты. Для этого набора инструментов существует несколько онлайн-руководств.,Но онлайн-уроки, как правило, относительно просты.,верно Внедрение многих программ неясно,Вот лучшее руководство, которым я могу поделиться с вами: http://www.tanxingcai.com/ai/2016.html. Для заинтересованных друзей, у которых есть чему поучиться. Недостатком этого программного обеспечения является то, что это интерфейсное программное обеспечение.,так灵活секс差много,Невозможно добиться более гибкого анализа операций,в то же время,Программное обеспечение также предоставляет относительно мало методов.,существоватьв настоящий моментиз Исследоватьсередина已经不нравитьсяк往из使用率Понятно。

接着да近年Приходить较火изCosmoMVPAнабор инструментов（http://www.cosmomvpa.org/）,Инструментарий был разработан исследователями Бангорского университета в Великобритании.,Пронто другой,Инструментарий не имеет интерфейса,И предоставляет гораздо более сложные методы анализа, чем Pronto.,Обслуживание комплекта очень своевременное.,Высокий показатель цитируемости. Но это сложнее,需хотетьверноMATLAB语言иметь较好извладелец才可（自学извперед提Вниз）。поэтому,Вот еще один относительно простой набор инструментов, рекомендуемый,TDT,The Decoding Toolbox, (https://sites.google.com/site/tdtdecodingtoolbox/), количество цитирований этого набора инструментов также превышает 150 (исключая те, которые используются, но не цитируются), и начать работу относительно легко. , в основном благодаря этому инструменту. Функция пакета относительно проста в использовании, всего шагов анализа меньше, а скорость расчета намного быстрее (об этом сказано на сайте, но из демо Судя по проверке данных, это действительно может быть так).

наконецда基ВPythonизнабор инструментов——PyMVPA（http://www.pymvpa.org/）。该набор инструментовиз开发да很早из,и且иметь着良好из维护。он используется Приходить Упростите большоетип данных集из模式分类分,Этот пакет предоставляет некоторые расширенные общие этапы обработки и реализацию некоторых общих алгоритмов.,И дело не ограничивается нейровизуализацией.,Также может использоваться для других данных. Руководство — это основной путь обучения для этих наборов инструментов на основе кода.,Но в этом пакете есть перевод людей и интернализация бессистемных руководств.,Заинтересованные студенты могут проверить https://blog.csdn.net/cocosion. Два вышеупомянутых пакета MATLAB этого не делают.

2. Преодоление методологического разрыва - RSA**（Representational Similarity AnalysisАнализ сходства представлений）**

MVPAизметод可к让нассуществоватьодин定程度начальствоверно大мозгиз神经输入进ХОРОШО解码,Исследуйте тайны мозга,Но просто сделать это еще недостаточно. Потому что метод MVPA может помочь нам только интерпретировать, как мозг реагирует на эти стимулы.,**но我Мы до сих пор не понимаем три основных направления исследований системной нейробиологии.😗*Количественные взаимосвязи между измерениями активности мозга, поведенческими измерениями и компьютерным моделированием。这主хотетьсделан из В不同изметод Что理论基础、Точность измеренияи测量维度ждать方лапшаиз不同导致из,Если мы хотим синтезировать различные методы,Начиная с традиционного метода, потребуется картографирование и преобразование различных измерений.,Это сделает процесс анализа сложным и трудным для интерпретации.

поэтому,для Чтобы преодолеть различные различия и различия между различными аналитическими методами,один种从活动模式本身抽象вне Приходить,ивычислитьМетод представления матриц различий (RDM) начинает помогать нам лучше понимать взаимосвязь между измерениями активности мозга и поведенческими измерениями.,и помогите нам улучшить компьютерное моделирование. Этот метод представляет собой репрезентативный анализ сходства**** представляет собой анализ сходства.

для Понятно能够从идентификация经验模式изнаблюдатьсередина抽象вне Приходить,Нам нужна и модель (т.е. метод измерения,Например, измерения ф МРТ и ЭЭГ совершенно разные.,новерно象都да大мозгиз神经活动）无关изметод Приходитьописывать大мозг区домениз Производительность。Такие методы характеристики позволят нам выяснить, в какой степени различные модальности предоставляют последовательную или противоречивую информацию.。нас可кпроходить比较活动模式из不同矩阵Приходить联系大мозг活动测量имодель обработки информации。该类метод避免Понятноверно显式из不同空间хотеть进ХОРОШОверноотвечать映射или从один种模态到Другойодин种模态из转换из需хотеть。

Этот метод представляет информацию, переносимую данным представлением в мозг или модель через RDM. Количественная оценка нейронной активности, наблюдаемая в экспериментах верно Связанный,然назад比较ЧтоRDMsи基ВХОРОШОдля建立изRDMs之间из关系Приходить进ХОРОШОанализировать。

наспроходитьодин张картина Приходитьверно这种метод进ХОРОШОПростойиз Понятно解：

Рисунок 3 Анализ сходства представлений

Как показано на рисунке 3, матрица сходства представлений в центре рисунка (на самом деле она должна представлять собой матрицу различий, то есть RDM) может быть установлена ​​из данных разных модальностей, а затем после установления ее RDM разными методами перейти к найти различные RMD. Можно ответить на взаимосвязь между вычислительной моделью, поведенческими характеристиками и нейронной реакцией. Например, вычислительную модель можно использовать для прогнозирования модели, полученной на основе нейронной реакции.

один Общий,fMRIизRSA常常проходить选定兴趣区домен(ROIs)Приходитьанализировать不同из刺激середина唤起изfMRI反отвечать之间из响отвечать Взаимно似секс。верно ВКаждыйиндивидуальныйROI,вычислитьикартина形化地显示представлять不同эксперимент条件из分布式活动模式верно之间из距离度量(Обычно используетсяcorrelationПриходить衡量此处所объяснятьиз距离),从и建立RDMs。RDMsсередина存储из距离信息Обычно используется多维标度(MDS)картина Приходить Визуализация,в то же время,Вы также можете использовать весь мозг для выполнения анализа RSA первого порядка, используя метод прожектора.,и不да直接使用二阶анализироватьизрезультатпроходитьROIПриходитьвычислитьRDMs。ХОРОШОдляивычислить模型изRMDsиз建立则较для Простой。

на самом делеRSAи多体素模式анализироватьда很Взаимно似из,Вышеупомянутые Cosma MVPA, PyMVPA и TDT предоставляют методы анализа RSA. Вот простой инструмент анализа, рекомендуемый вам,RSA_fMRI_matlab（https://github.com/CCN-github/RSA_fMRI_matlab）,Этот набор инструментов зависит от TDTиspm12.,Обеспечивает очень удобный метод расчета. и предоставляет практические сценарии,Заинтересованные друзья могут учиться самостоятельно.

наконец,Прожектор можно увидеть при анализе MVPA и анализе RSA.,Так что же именно означает этот подход? Первоначальная идея алгоритма «Прожектор» возникла в статье Кригескорте и др. (2006).,Впоследствии он был использован в большом количестве исследований. Самое распространенное использование — разделить мозг на сферические области разного размера (здесь нужно настроить под собственные эксперименты),Затем был проведен полный перекрестный анализ каждой сферической области интереса (ROI) в мозге. Этот анализ создает карту (обычно) точности классификации.,Это отображение обычно может быть достигнуто каким-либо образом.,напримернасвперед文写到изMVPAметодиRSAметод,Понятное дело для аналогично GLMстатистикавыход,可к用Приходить进ХОРОШОсделать выводианализировать。

Подведите итог:

В этой статье анализируются методы многовоксельного анализа.,верноMVPAанализироватьиRSAанализироватьметод进ХОРОШОПонятно较для Простойиз介绍ианализировать。в то же время,Представляет множество часто используемых методов различной степени сложности для начала работы.,Заинтересованные студенты могут серьезно учиться. наконец,Прожектор, широко используемая идея анализа, широко используется в современных исследованиях.,Также рекомендуется каждому внимательно освоить

Издатель: Full stack программист и руководитель стека, укажите источник для перепечатки: https://javaforall.cn/161529.html Исходная ссылка: https://javaforall.cn