matlab中拟合中心线的代码布鲁克的CEST评估，分步进行 M. Zaiss等人的代码适合内部实验室使用。 在 卡特琳娜·特里尼托（Caterina Trainito） 图宾根大学临床前影像和放射药学系 输入CEST数据 该分析适用于二维CEST数据。 如果您获取了多个切片，则必须为每个切片分别运行预处理。 对于基本的Z谱分析，以下扫描是必要且足够的： Mz ：一系列饱和度图像（例如61个频率偏移为-7.5：0.25：+7.5 ppm的图像）。 M0 ：在没有RF饱和脉冲的情况下获取一张图像。 用于场非均匀性校正和T1映射的其他采集： 不同B1强度下的Mz图像序列：例如B1 = 0.5-3.0 muT。 使用“ Z-B1校正”方法校正B1不均匀性至少需要两个这样的序列（请参阅Windschuh等人，2015）。 注意，B1校正还需要使用WASABI序列获得的B1图。 WASABI：图像系列用于同时B0-（ “水煤气变换”）和B1-（ “BI”）的映射。 这些图用于现场非均质性校正（参见Schuenke等人，2016）。 T1映射序列：一系列具有不同反转恢复时间的扫描，用于T1映射。

POCS（投影到凸集）通常用于重建部分傅立叶 MRI 数据。 此实现适用于笛卡尔网格上的 2D 或 3D 数据。 它针对速度进行了优化，并自动检测非对称采样维度。 输入数据通常被假定为多通道 k 空间信号，通道（或线圈）的第一维。 但是，您可以传递纯二维数组。 [im, kspFull] = pocs( kspIn, iter, watchProgr ) === 输入 === kspIn：简化的笛卡尔 MRI 数据集任何维度都可以减少， 但只有一个减少暗淡。 由于物理/数学而被允许。 kspIn 允许的形状是... ... Ny x Nx ... Nc x Ny x Nx ... Nc x Ny x Nx x Nz Nc == 接收通道/线圈的数量。 kspIn 可以是零填充数组，因此部分傅立叶性质很明显。 或者 kspIn 只能是测量数据，然后我们尝试自动找到 k 空间中

时间比较紧张,几个小时做出来的，图像配准方面可能有点问题，但是应该不影响整体得分，大家可以参照一下。最后大家可以将自己做的页面生成为软件，具体方法看我博客。

此脚本显示如何从给定的扩散加权 MRI 数据集计算笛卡尔张量 ODF。 该方法保证估计的 ODF 是正定的或至少是半正定的。 此实现基于 Y. Weldeselassie、Angelos Barmpoutis 和 S. Atkins 的文章“Symmetric Positive Positive-Definite Cartesian Tensor Orientation Distribution Functions (CT-ODF)”，In the Proceedings of MICCAI, 2010

该程序提供 GUI (dicom_sort_convert_main.m) 和 .m (example_dscm_call.m) 输入来选择输入和输出目录并确定选项。 主要功能是 i) 将西门子 MR 扫描仪 (IMA) 数据分类到目录中，从文件中删除患者姓名，并稍微匿名（仅 PatientName 字段，但不包括 DOB、性别、PatientID 等） ii) 转换为一个文件 (.nii) 或两个文件 (.img, .hdr) NIfTI 格式（每次扫描一个），重新格式化更复杂的扫描以使用最多六个维度的 NIfTI 结构（时间点、回波、RF 通道、相位/幅度、扩散梯度等）。 对于每次扫描，还将DICOM标头信息和Siemens标头信息的文本部分都写入到text_header.txt文件中。 iii) 生成所有执行扫描的列表 (scan_list.txt)，包括最相关的参数（可以轻松定制

颅骨mri和ct数据以及分割后标签

膝关节的MRI检查

使用VTK和Qt5的NIfTI（nii.gz）3D可视化工具 使用Python运行 创建一个虚拟环境。 Mac可以使用virtualenv或conda。 Windows必须使用conda。 安装依赖项（PyQt5，vtk和sip） pip install PyQt5 vtk 启动程序python ./visualizer/brain_tumor_3d.py -i "./sample_data/10labels_example/T1CE.nii.gz" -m "./sample_data/10labels_example/mask.nii.gz" 生成PyInstaller二进制文件 注意：必须修改.spec文件中的路径以匹配您的项目目录 Mac： pyinstaller Theia_Mac.spec Windows： pyinstaller Theia_Windows.spec 测试

简单的扩散 MRI (DTI) 和纤维跟踪 (FT) 功能和示例。 DTI.m，将计算由至少 6 个具有不同 MRI 梯度的数据集和至少 1 个没有梯度的数据集组成的 DTI 数据集的表观扩散系数（ADC）、分数各向异性（FA）和扩散张量场。 FT.m，将从大脑中的每个点开始计算神经束（纤维束），并输出所有穿过某个 ROI 的纤维。 尝试 DTI_example.m 然后 FT_example.m

在此文件中，使用了 mri.mat 数据。 如果要显示其他数据，可以将数据保存到矩阵 D1，或修改 .m 文件。 单击任何三个 MRI 图像，然后按“ENTER”以在新的 [x,y,z] 位置更改切片。 按“ESC”并按“ENTER”退出。