阿尔茨海默氏病（AD）是痴呆症的最常见形式，是一种无法治愈的神经系统疾病，会导致进行性精神恶化。 尽管对AD进行明确诊断很困难，但在实践中，AD诊断主要基于临床病史和神经心理学数据，包括磁资源成像（MRI）。 近年来，有关将机器学习应用于AD识别的研究越来越多。 本文介绍了我们对这一进展的最新贡献。 它描述了一种基于3D脑MRI深度学习的自动AD识别算法。 该算法使用卷积神经网络（CNN）来实现AD识别。 独特之处在于，大脑的三维拓扑在AD识别中被视为一个整体，从而可以进行准确的识别。 本研究中使用的CNN包括三组连续的处理层，两个完全连接的层和一个分类层。 在该结构中，三组中的每一个都由三层组成，包括卷积层，池化层和归一化层。 使用来自阿尔茨海默氏病神经成像计划的MRI数据对算法进行了训练和测试。 使用的数据包括约47位AD患者和34位正常对照的MRI扫描。 实验表明，该算法具有较高的AD识别精度，灵敏度为1，特异性为0.93。

信号重构matlab代码便携式MRI 便携式MRI数据的重建和处理代码 概述 portable-MRI包含MATLAB代码，用于通用重建和处理由便携式MRI扫描仪生成的MRI数据。 便携式MRI扫描仪具有内置（始终打开）的读出梯度。 3D RARE序列与二维编码中的相位编码一起使用。 重建代码的输入数据是一个.mat文件，其中包含原始相位编码的自旋回波火车数据。 影像重建HALBACH_reconstruct_simp.m是用于运行图像重建代码的顶级脚本。 提供了示例性体内数据集（T2加权）（T2_data_example.mat）。 图像处理进一步的图像处理是用intensity_correction.m执行的。 该脚本使用自定义蒙版对每个2D图像进行蒙版，并使用低通滤波后的图像版本对图像强度进行归一化。 提供了重建的图像以供加载到此脚本中（T2_images_example.mat）。 可以使用drawfreehand和createMask内置的MATLAB函数创建自定义蒙版。 系统要求 硬件要求 portable-MRI软件包需要一台具有足够RAM的标准计算机来支持内存中操作。

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

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

此 GUI 设计用于查看 MRI 数据。 用户可以翻阅图像的各个切片，也可以查看所选切片的水平和垂直剖面。 数据应该是维度为 y、x、z 的 3D 矩阵。 您可以使用置换按钮更改数据的方向，并在查看数据的幅度、实部和虚部之间切换。

RAPID：扩散成像的常规保证管道 - De Santis 等人。 （提交） script_to_calculate_SNR 计算信噪比并返回获取 QA 数据的最佳参数。 _输入：100 个 b=0 图像的 nifti 文件_输出：最大 b 值和体素大小 script_to_run_QA检查b的线性，在视场上的Gmax均匀性，在三个逻辑轴上的梯度幂相互一致，并校正梯度不匹配。 _Input：使用梯度表 Grad_dirs_QA_shuffled.txt 获取的体模扩散数据的 nifti 文件_输出：带有日期的 QA .mat 文件 script_to_compare_QA_results 检查时间稳定性。 _Input：两个 .mat 质量保证结果文件

此脚本显示如何从给定的扩散加权 MRI 数据集计算扩散峰度 (DKI) 系数。 该脚本使用 A. Barmpoutis 和 J. Zhuo 撰写的文章“Diffusion Kurtosis Imaging: Robust Estimation from DW-MRI using Homogeneous Polynomials”中的各种约束实现了几种拟合方法，在 ISBI 会议录，2011 年，第 262-265 页。

Qoala-T 用于FreeSurfer分段MRI数据质量控制的监督学习工具 版本1.2>预测模型已于2019年1月14日更新; Github页面于2021年3月16日更新Qoala-T由和在开发和创建。 关于 Qoala-T是一种有监督的学习工具，可评估T1成像扫描的手动质量控制及其在FreeSurfer中处理的自动神经解剖标记的准确性。 它特别适用于开发数据集。 该软件包包含Klapwijk等人（2019）中所述的数据和R代码，请参阅 。 我们内部开发的手动质量控制程序的协议可以在找到。 我们还开发了一个使用R Shiny的应用程序，通过该应用程序可以在不安装R的情况下运行Qoala-T模型，请参阅（可以在找到本地运行的源代码）。 运行Qoala-T 为了能够运行Qoala-T模型，应在FreeSurfer中处理T1 MRI图像。 当前版本中使用的模型是针对FreeSurfer

matlab分时代码BVAR连接 描述 这是一种用户友好的Matlab GUI，它对贝叶斯多主题向量自回归（VAR）模型实施了变分推理方法，以便基于静止状态功能MRI数据来推理有效的大脑连通性。 建模框架使用贝叶斯变量选择方法，以允许在主题级别和小组级别同时推断有效的连接性。 它还可以灵活地将多模式数据（尤其是结构性DTI数据）集成到现有结构中。 我们开发的变分推理方法可实现方法的可扩展性，并能够根据数据的全脑分割来估计主题级和小组级的大脑连接网络 下面的手稿中描述了变分方法的方法论和详细实现： Chiang，S.，Guindani，M.，Yeh，HJ，Haneef，Z.，Stern，JM和Vannucci，M.（2017）。 使用多模态神经影像数据进行多主体有效连通性推理的贝叶斯矢量自回归模型。 人脑映射，38，1311-1332。 Kook，JH，Vaughn，KA，DeMaster，DM，Ewing-Cobbs，L.和Vannucci，M.（2020年）。 BVAR-连接：用于大脑连接网络推理的多主题向量自回归模型的变分贝叶斯方法。 神经信息学的出现。 内容和安装。 该存储库包含

本文介绍了一种基于MR图像数据增强功能的有组织的脑肿瘤检测方法。 这种方法为脑肿瘤检测提供了巨大的临床实践，使基于MR图像数据的患者识别变得容易。 在本文中，我们提出了一种用于在脑磁共振（MR）数据中分离肿瘤图像的MATLAB编程。 使用拟议的MATLAB编码可以清楚地突出显示MRI图像数据和肿瘤中极其清晰可见的肿瘤准确性检测。 这些代码用于通过增加或减少灰度等级（0到255）以及其他特殊滤镜来增强MR图像质量。 MRI数据集证实该算法的结果更适用于普通输出图像以识别脑肿瘤。