NIPYPE：Python中的神经成像：管道和接口 当前的神经影像软件为用户提供了使用多种不同算法分析数据的难得的机会。 但是，这导致了专用应用程序的异构集合，而没有透明的互操作性或统一的操作界面。 Nipype是NiPy旗下由社区开发的开放源代码计划，它是一个Python项目，可为现有的神经成像软件提供统一的界面，并促进单个工作流程中这些软件包之间的交互。 Nipype提供的环境鼓励交互式探索来自不同软件包（例如SPM，FSL，FreeSurfer，AFNI，Slicer，ANTS）的算法，简化了软件包内部和软件包之间的工作流程设计，并减少了使用不同软件包所需的学习曲线。 Nipype正在使用高级语言为神经影像软件开发创建一个协作平台，并解决现有管道系统的局限性。 Nipype允许您执行以下操作： 轻松与来自不同软件包的工具进行交互 结合来自不同软件包的处理步骤 重用旧步骤中的常

SPM软件包已被设计用于脑成像的数据序列的分析,序列可以是来自不同群组的一系列图像，或来自同一个主题的时间序列。目前的版本是专为分析 fMRI， PET， SPECT，EEG 和 MEG而设计的。

用于小脑神经影响数据处理软件SUIT 由于官网给出的软件在使用时出错 Failed ‘Summarize statistics by lobules’ 错误使用 vararginoptions (line 44) unknown option:regionname 故上传旧版稳定版，具体版本不清楚

Rejoice 医学影像/计算机视觉研究人员，这是一款轻量级的神经影像 .nii 到 .png 转换器，可满足您的图像处理需求。 1. 将您的脚本添加到您的路径中。 只需输入以下内容并按回车键即可运行它：nii2png 2. 选择您的工作目录。 3. 选择您的 NIfTI 图像。 4. 如果您愿意，可以旋转您的图像。 5. 让它运行。 6. 您的 png 文件现在位于您工作目录的 png 文件夹中。

去噪声代码matlab 医院级神经影像数据的预处理 这是用于各种神经成像预处理操作（注册，切片，去噪，分割等）的MATLAB代码，其最初旨在处理常规临床数据（因此而得名）[1]。 它以nifti文件（如.nii或.nii.gz）作为输入，并生成此数据的副本，并对其应用了所需的预处理步骤。 它还使用成对的标签遮罩（例如，T1w MRI和肿瘤遮罩（或多个类别））处理图像数据，并确保生成的预处理数据是一致的。 请参阅下面的示例用例，这些用例可以独立运行，也可以启发更复杂的预处理任务。 有关更多详细信息，请参阅。 依存关系 该算法要求以下软件包位于MATLAB路径上： SPM12：从下载。 spm_superres：从中下载/克隆（如果要使用降噪或超分辨率选项）。 用例范例 1.多通道MRI分割 该MATLAB代码段将多个序列的MR图像作为输入，并生成已被共同注册和切片的图像。 然后使用SPM12统一分段例程对这些图像进行分段，并将本机+模板（未调制）空间GM，WM和CSF分段写入磁盘。 % Paths to multi-channel images paths = {'MRI_T1w.nii

NIMA：神经影像评估 这是Hossein Talebi和Peyman Milanfar撰写的《 （在接受）的PyTorch实现。 您可以从了解更多。 实施细节 该模型在上进行了训练，该包含大约255,500张图像。 你可以从得到它。 注意：数据集中可能存在一些损坏的图像，请在开始训练之前先将其删除。 该数据集分为229,981张图像用于训练，12,691张图像用于验证和12,818张图像用于测试。 ImageNet预训练的VGG-16用作模型的基础网络，为此，我在验证集上损失了约0.072 EMD。 尚未在本文中尝试过其他两个选项（MobileNet和Inception-v2）。 非常欢迎您进行自己的扩展。 学习率设置与原始论文不同。 我似乎无法使用3e-7的转换底数和3e-6的密集区块的底线来使模型收敛于动量SGD。 另外，我没有做太多的超参数调整，因此您可能会获得更好的结果

患者预处理 这是用于各种神经成像预处理操作（注册，切片，去噪，分割等）的MATLAB代码，其最初旨在处理常规临床数据（因此得名）[1]。 它以nifti文件（如.nii或.nii.gz）作为输入，并生成此数据的副本，并对其应用了所需的预处理步骤。 它还使用成对的标签遮罩（例如T1w MRI和肿瘤遮罩（或多个类别））处理图像数据，并确保生成的预处理数据是一致的。 请参阅下面的示例用例，这些用例可以独立运行，也可以启发更复杂的预处理任务。 依存关系 该算法要求以下软件包位于MATLAB路径上： SPM12：从下载。 spm_superres：从下载/克隆（如果要使用降噪或超分辨率选项）。 用例范例 1.多通道MRI分割 该MATLAB代码段将多个序列的MR图像作为输入，并生成已被共同注册和切片的图像。 然后使用SPM12统一分段例程对这些图像进行分段，并将本机+模板（未调制）空间GM，WM

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

spm功能强大，但是从spm99-spm8都不具有批处理功能。本插件解决了该问题

DICOM、NIFTI等磁共振影像数据的处理工具，可以进行简单的数据解析、处理以及实验统计分析。