该方法仅从 SENSE 幅度 MR 图像的单次采集中准确地估计噪声的非平稳参数。 该算法假设噪声遵循非平稳 Rician 分布，它利用空间变异噪声的同态分离两项：平稳噪声项和一个低频信号。 然后通过具有 Rician 偏差校正的低通滤波来估计噪声的非平稳方差。 该算法在以下方面提出： MRI 中的空间变异噪声估计：同态方法，S Aja-Fernández、T Pieciak、G Vegas-Sánchez-Ferrero，医学图像分析，2014

2D-CNN和3D-CNN_MRI分类 使用5折交叉验证对MRI进行多分类的2D CNN和3D CNN模型。 所有图像均为NIfTI 用于早期融合的3D CNN架构 二维融合CNN的准确性/损失，平均为5倍 （a）2D，（b）3D融合CNN的混淆矩阵

HCP_MRI行为 用于使用来自年轻成人人类Connectome项目的数据来预测来自静止状态fMRI功能连接的行为变量（例如，智力，人格）中个体差异的代码。 该代码取决于HCP数​​据结构。 可从HCP网站（ ）获得HCP数据（MRI和行为/人口统计学） 作者：Julien Dubois（ ）和Paola Galdi（ ） 该代码按原样提供，用于文档目的。 包括以下文件： HCP_helpers.py ：包含所有助手功能和模块导入，用于静态fMRI预处理和行为预测 person.ipynb ：重现以下内容的分析： Dubois，J。*，Galdi，P。*，Han，Y.，Paul，LK和Adolphs，R。静止状态的功能性大脑连通性最能预测开放性的人格维度。 人格神经科学，印刷中。 预印本： : Intelligence.ipynb ：在以下位置重现分析 Dubois，

MRI图像超分辨率代码，采用低秩全变分算法，论文发表于IEEE Transactions on Medical Imaging2015

BIDScoin：将您的影像数据硬币到BIDS BIDScoin是一种用户友好python工具包，可将（“硬币”）源级（原始）神经影像数据集转换为按照Brain Imaging数据结构（又称为标准）组织的 / / 数据集。 。然后，BIDScoin依靠复杂或模棱两可的程序逻辑来识别成像模态，而是使用映射方法来识别原始源数据并将其转换为BIDS数据。通过从MRI头文件（DICOM或PAR / REC；例如ProtocolName ）中读取信息来识别源数据的不同运行，并且研究人员可以事先指定或交互地指定有关这些运行应如何转换为BIDS的映射信息- -引入通常只存在于他或她的脑海中的缺失的知识！ 由于可以使用轻松编辑所有映射信息，因此BIDScoin不需要任何编程知识即可使用它。 BIDScoin由的开发。 BIDScoin功能 [x] DICOM源数据 [x] PAR / REC源数

使用大脑的MRI图像预测痴呆阶段 概括 我们使用神经网络来预测痴呆阶段，其依据是： 相对于头部大小的大脑体积（从MRI图像中提取的特征） 性别 教育程度 对测试集的预测约为60％ NN体系结构的唯一理由是使其相对简单。 优化器的学习率降低了，因为它一开始学习速度太快（精度曲线太陡了）。 另外，在进行建模之前，我们进行了简单的探索性数据分析。 未来的工作 一个有趣的项目是对原始数据执行全面的CNN。 一个有趣的一次性项目将是查看纵向数据集，以预测现在没有痴呆的患者是否将来会发展为痴呆症。 数据 数据来自。 也可以从获得。

代码运行效果图见压缩包

MRI the Basics ISBN 7543318032

脑肿瘤是大脑中大量正常和异常细胞。 在医学领域，MRI图像被广泛用于脑肿瘤检测。 MRI 图像提供有关人体软组织的广泛信息。 通过使用特征提取技术，该信息可用于脑肿瘤检测。 脑肿瘤可分为良性和恶性。 特征提取和表示技术的共同目标是将分割的对象转换为更好地描述其主要特征和属性的表示。 所提出的方法描述了从 MRI 图像中提取肿瘤。 首先找出脑肿瘤的感兴趣区域进行特征提取，然后计算形状特征。 获得用于良性和恶性肿瘤分类的形状特征。 随机森林在肿瘤分类方面比支持向量机具有更好的准确性。

非均匀傅里叶变换(NUFFT)在雷达、通信、医学成像、射电天文学等诸多领域都获得了广泛应用, 其快速计算是近年 来的研究热点, 对于MRI非笛卡尔采样的重建具有良好效果。。