本资源为核磁数据分析，对核磁数据的DTI预处理，简单明了

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

用于化合物和蛋白质建模的深度学习库DTI，药物特性，PPI，DDI，蛋白质功能预测 在药物再利用，虚拟筛选，QSAR，副作用预测等方面的应用 该存储库托管DeepPurpose，DeepPurpose是一个基于深度学习的分子建模和预测工具包，可用于药物-目标相互作用预测，化合物特性预测，蛋白质-蛋白质相互作用预测和蛋白质功能预测（使用PyTorch）。 我们专注于DTI及其在药物再利用和虚拟筛选中的应用，但支持其他各种分子编码任务。 它允许非常简单的用法（仅几行代码），以促进用于生命科学研究的深度学习。 消息！ [05/21] 0.1.2支持5种新的基于图神经网络的复合编码模型（DGL_GCN，DGL_NeuralFP，DGL_GIN_AttrMasking，DGL_GIN_ContextPred，DGL_AttentiveFP），使用！ 提供一个例子！ [12/20] TDC数据

DTI-CDF 用于DTI预测的DTI-CDF的instruction文件。 介绍 药物-靶标相互作用（DTI）在基于靶标的药物发现和开发中起着至关重要的作用。 DTI的计算预测已成为进行DTI识别的既耗时又耗资源的实验方法的流行补充策略。 但是，当前的DTI预测方法的性能存在精度低和误报率高的问题。 在这项研究中，我们旨在开发一种新的DTI预测方法，称为DTI-CDF，以基于具有从异质图中提取的多个基于相似性的特征的级联深林模型来提高预测性能。 在实验中，我们在三种不同的实验数据集（即某些药物（SD），靶标（ST）或药物中的靶标对（SP）的相应DTI值）下建立了10倍交叉验证的五个重复样本。缺少训练集，但存在于测试集中。 实验结果表明，我们提出的方法DTI-CDF比现有技术具有更高的性能。 KEGG和DrugBank数据库证明有1352种新的DTI正确无误。 要求 此方法是使用Pytho

完整的DTI处理方法，很实用，有纤维追踪的方法

基于DTI的海马子区与丘脑白质连接分析，王雪丽，窦顺阳，背景：海马是人类记忆功能的核心脑区，在学习、记忆和情感等认知功能方面起着重要作用。丘脑是与海马脑区联系最为紧密的结构之一

AMBA 5 DTI协议文档

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.，

DTI数据预处理详细流程分步整理.pdf

自己整理的一个关于ＤＴＩｓｔｕｄｉｏ的处理流程