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

fMRI_Data_Analyses ： 与fMRI图像处理原理相关的代码，包括， 和 ： 涵盖了最广泛使用的当前统计方法的代码，用于在Matlab SPM中分析fMRI数据。

扩散MRI（dMRI） 这些Jupyter笔记本包括弥散MRI数据分析以计算弥散张量成像（DTI） ，弥散峰度成像（DKI） ，神经突取向弥散和密度成像（NODDI） ，单壳3组织约束球面反褶积（SS3T-CSD）以及多壳多组织约束球面反褶积（MSMT-CSD）模型化参数图。 Jupyter笔记本电脑的预处理包括使用DIPY进行数据去噪，使用FSL TOPUP进行磁化率引起的畸变校正以及使用FSL EDDY进行涡流引起的畸变和运动校正。 注意：DKI，NODDI和MSMT-CSD建模参数图的估计需要至少两个b值（例如1000、2000）获得的扩散加权MRI数据。 依存关系 使用这些Jupyter笔记本的依赖项为： DIPY（ ） Nipype（ ） FSL（ ） AMICO（ ） MRtrix3（ ） 引文 Messinger，A.，Sirmpilatze，N.，

毕业设计一深度学习之MRI数据集预处理（合并，裁剪以及重命名等操作）-附件资源

MRI数据是MATLAB自带的，程序包括轮廓线绘制，三维表面可视化，三维剖切等。

关于膝盖的MRI（核磁共振）图像数据，其中的文件为*.dcm格式，是标准的dicom文件，可以直接利用MATLAB中的dicomread（）函数读取。