BrainStat工具箱在茗創(chuàng)科技往期推文【點(diǎn)此閱讀→資源分享 | 利用機(jī)器學(xué)習(xí)進(jìn)行高級(jí)MRI分析】中作過(guò)簡(jiǎn)單介紹。近日，NeuroImage雜志發(fā)布了題為BrainStat: a toolbox for brain-wide statistics?and multimodal?feature associations的預(yù)印版文章。這篇文章詳細(xì)闡述了BrainStat工具箱包含的模塊，并提供了在Python和MATLAB中執(zhí)行該工具箱的教程和示例代碼。

導(dǎo)讀

神經(jīng)成像數(shù)據(jù)集的分析和解釋已成為一項(xiàng)多學(xué)科的工作，不僅依賴于統(tǒng)計(jì)方法，而且越來(lái)越多地依賴于與其他腦源性特征(如基因表達(dá)、組織數(shù)據(jù)、功能和認(rèn)知結(jié)構(gòu))的關(guān)聯(lián)。本研究介紹了BrainStat工具箱——用于體積和基于表面的腦成像數(shù)據(jù)集的單變量和多變量線性模型工具箱，以及與基因表達(dá)和組織空間圖有關(guān)結(jié)果的多域特征關(guān)聯(lián)，基于任務(wù)態(tài)fMRI的元分析，以及在幾種常見(jiàn)表面模板上的靜息態(tài)fMRI序列。將統(tǒng)計(jì)數(shù)據(jù)和特征的關(guān)聯(lián)組合到一個(gè)工具箱中，不僅簡(jiǎn)化了分析過(guò)程，而且促進(jìn)了跨模態(tài)研究。該工具箱在Python和MATLAB中實(shí)現(xiàn)，這是神經(jīng)成像和神經(jīng)信息學(xué)領(lǐng)域廣泛使用的兩種編程語(yǔ)言。BrainStat是公開(kāi)可用的，并輔以可擴(kuò)展的文檔。

前言

神經(jīng)成像能夠?qū)€(gè)體以及群體的形態(tài)、微觀結(jié)構(gòu)、功能和連接進(jìn)行全腦測(cè)量。通過(guò)不斷增強(qiáng)的圖像處理技術(shù)，這些數(shù)據(jù)可以納入到一個(gè)標(biāo)準(zhǔn)化的參考框架中，包括立體定位體素空間(如常用的MNI152空間)、基于表面的空間(如fsaverage)、MNI152-CIVET表面或灰度坐標(biāo)，以及分割方案。將神經(jīng)成像數(shù)據(jù)配準(zhǔn)到一個(gè)公共空間，可以應(yīng)用統(tǒng)計(jì)分析，包括在每個(gè)測(cè)量單元上執(zhí)行并行統(tǒng)計(jì)檢驗(yàn)的大量單變量廣義線性和混合效應(yīng)模型。通常，此類分析需要使用多種工具和程序來(lái)執(zhí)行，從而降低了工作流程的可重復(fù)性，并增加了人為錯(cuò)誤的風(fēng)險(xiǎn)。基于此，本研究提出了BrainStat，這是一個(gè)統(tǒng)一的工具箱，可以在一個(gè)內(nèi)聚的，透明的和開(kāi)源的框架中實(shí)現(xiàn)這些分析。神經(jīng)成像研究的高級(jí)分析工作流程越來(lái)越依賴于先前獲得的跨多種(非)成像模式的數(shù)據(jù)集的可用性。當(dāng)映射到與神經(jīng)成像測(cè)量相同的參考系時(shí)，這些數(shù)據(jù)集可用于研究結(jié)果的情境化，并有助于結(jié)果的解釋和驗(yàn)證。研究結(jié)果可以在大腦功能結(jié)構(gòu)的既定序列中進(jìn)行情境化，例如基于靜息態(tài)fMRI或功能梯度的內(nèi)在功能社區(qū)，兩者都允許根據(jù)既定的大腦功能結(jié)構(gòu)來(lái)解釋研究結(jié)果。情境化的另一種常用法是使用Neurosynth、NiMARE或BrainMap進(jìn)行自動(dòng)元分析。這些工具提供了對(duì)先前發(fā)表的數(shù)千項(xiàng)fMRI研究進(jìn)行即席元分析的能力。將統(tǒng)計(jì)地圖與認(rèn)知術(shù)語(yǔ)相關(guān)的大腦激活圖數(shù)據(jù)庫(kù)相關(guān)聯(lián)，即所謂的元分析解碼，它提供了一種定量方法來(lái)推斷與空間統(tǒng)計(jì)模式相關(guān)的合理認(rèn)知過(guò)程。最后，轉(zhuǎn)錄組學(xué)和組織學(xué)的事后數(shù)據(jù)集映射到一個(gè)公共神經(jīng)成像空間，使神經(jīng)成像結(jié)果與基因表達(dá)和微觀結(jié)構(gòu)模式相關(guān)聯(lián)。這些發(fā)現(xiàn)可以提供有關(guān)大腦中分子和細(xì)胞特性的信息，這些信息在空間上與觀察到的統(tǒng)計(jì)圖相協(xié)變化。通過(guò)結(jié)合這些特征關(guān)聯(lián)技術(shù)，可以推斷神經(jīng)成像結(jié)果的功能、組織學(xué)和遺傳相關(guān)性。BrainStat提供了一個(gè)集成的解碼工具來(lái)執(zhí)行這些多模態(tài)特征關(guān)聯(lián)。本研究工具箱可以在Python和MATLAB中并行實(shí)現(xiàn)，這是神經(jīng)成像研究社區(qū)中的兩種常見(jiàn)編程語(yǔ)言。因此，BrainStat的一個(gè)關(guān)鍵設(shè)計(jì)選擇是最大限度地實(shí)現(xiàn)同質(zhì)化，這增強(qiáng)了工具的可訪問(wèn)性，并幫助用戶在沒(méi)有先驗(yàn)編程專業(yè)知識(shí)的情況下學(xué)習(xí)一種或兩種編程語(yǔ)言。BrainStat依賴于一個(gè)簡(jiǎn)單的面向?qū)ο罂蚣軄?lái)簡(jiǎn)化分析工作流程。該工具箱可在https://github.com/MICA-MNI/BrainStat上公開(kāi)獲取，相應(yīng)文檔說(shuō)明可在https://brainstat.readthedocs.io/上獲得。本研究將工具箱分為兩個(gè)主要模塊：統(tǒng)計(jì)和情境化(圖1)。接下來(lái)將介紹如何執(zhí)行圖1所示的分析。

統(tǒng)計(jì)模塊

統(tǒng)計(jì)模塊建立在SurfStat之上，SurfStat是一個(gè)經(jīng)典的MATLAB包，可用于執(zhí)行固定效應(yīng)和混合效應(yīng)線性模型。為了在BrainStat中創(chuàng)建和擬合此類模型，用戶提供了subject-by-region-by-variate響應(yīng)矩陣以及使用直觀的模型公式框架創(chuàng)建的預(yù)測(cè)模型。這種方法允許將固定/隨機(jī)效應(yīng)直接定義為主要感興趣的變量或控制協(xié)變量，以便于進(jìn)行橫斷面和縱向分析。對(duì)于混合效應(yīng)建模，BrainStat使用G端規(guī)范，這樣它就可以將多個(gè)隨機(jī)效應(yīng)作為獨(dú)立的效應(yīng)，目前擬合是通過(guò)限制性最大似然估計(jì)完成的。為了比較感興趣的變量(如健康/疾病、年齡)的影響，必須指定一個(gè)對(duì)比。BrainStat可以處理單變量或多變量響應(yīng)數(shù)據(jù)，并提供了兩種廣泛使用的多重比較校正分析選項(xiàng)，即錯(cuò)誤發(fā)現(xiàn)率和隨機(jī)場(chǎng)理論。錯(cuò)誤發(fā)現(xiàn)率控制數(shù)據(jù)中逐點(diǎn)(即頂點(diǎn)、體素、分割)假陽(yáng)性的比例，而隨機(jī)場(chǎng)理論校正報(bào)告假陽(yáng)性結(jié)果的概率(無(wú)論是在峰值水平還是聚類水平)。為了說(shuō)明統(tǒng)計(jì)模塊，研究者下載了微結(jié)構(gòu)連接組學(xué)(MICA-MICs)數(shù)據(jù)集的70名參與者的皮層厚度和人口統(tǒng)計(jì)數(shù)據(jù)，其中12名參與者被掃描了兩次(圖2A)。研究者以此創(chuàng)建了一個(gè)線性模型，以年齡和性別及其交互作用為固定效應(yīng)，以參與者作為隨機(jī)效應(yīng)(圖2B)。這些都是使用FixedEffect和MixedEffect(因其可能包含隨機(jī)效應(yīng)和固定效應(yīng)而得名)設(shè)置的。接下來(lái)，將對(duì)比定義為年齡，即t值為正值表示皮層厚度隨著年齡的增長(zhǎng)而減小。該模型采用單側(cè)檢驗(yàn)對(duì)皮層厚度數(shù)據(jù)進(jìn)行擬合。圖2C繪制了從隨機(jī)場(chǎng)論得出的t值、聚類和峰值p值，以及進(jìn)行錯(cuò)誤發(fā)現(xiàn)率校正后的頂點(diǎn)p值。研究者發(fā)現(xiàn)，在MICA-MICs數(shù)據(jù)集中，基于隨機(jī)場(chǎng)理論的團(tuán)簇水平上存在年齡對(duì)皮層厚度的影響，但在這些簇內(nèi)沒(méi)有明顯的頂點(diǎn)峰值，而在頂點(diǎn)水平上具有邊緣顯著性。這表明年齡對(duì)皮層厚度的影響覆蓋廣泛的區(qū)域。盡管該示例使用了自由的聚類定義閾值(p＜0.01)，但通常建議使用更嚴(yán)格的閾值(p＜0.001)，特別是在使用空間平滑程度較低的數(shù)據(jù)時(shí)。

情境化模塊

情境化模塊可以計(jì)算具有多模態(tài)神經(jīng)特征統(tǒng)計(jì)圖的二元相關(guān)性。從v0.3.6開(kāi)始，情境化模塊可以鏈接到：①任務(wù)態(tài)fMRI元分析，②源自靜息態(tài)fMRI的功能序列，③遺傳表達(dá)，以及④組織學(xué)/細(xì)胞結(jié)構(gòu)(圖1)。元分析子模塊測(cè)試與特定術(shù)語(yǔ)相關(guān)的腦圖譜和任務(wù)態(tài)fMRI元分析之間的關(guān)聯(lián)。靜息態(tài)模塊將神經(jīng)成像結(jié)果與功能梯度相關(guān)聯(lián)，這是一種表示功能連接組的低維方法。轉(zhuǎn)錄組學(xué)子模塊從艾倫人腦圖譜中提取基因表達(dá)。最后，組織學(xué)子模塊從BigBrain(人腦細(xì)胞結(jié)構(gòu)的3D重建)獲取人腦3D圖像。這些子模塊都支持公共表面模板，并在可行的情況下支持自定義分割?？偟膩?lái)說(shuō)，它們?yōu)槲⒂^和宏觀大腦組織方面的統(tǒng)計(jì)結(jié)果分析鋪平了道路。

元分析解碼

BrainStat的元分析解碼子模塊使用來(lái)自Neurosynth和NiMARE的數(shù)據(jù)，根據(jù)其認(rèn)知關(guān)聯(lián)來(lái)解碼統(tǒng)計(jì)映射(通過(guò)對(duì)先前基于任務(wù)態(tài)fMRI結(jié)果的元分析得出)。簡(jiǎn)而言之，為許多(認(rèn)知)術(shù)語(yǔ)創(chuàng)建了元分析激活圖，這些圖可以與給定的統(tǒng)計(jì)映射相關(guān)聯(lián)，以確定與統(tǒng)計(jì)映射關(guān)系最強(qiáng)的術(shù)語(yǔ)。該方法允許識(shí)別與以前發(fā)表的基于任務(wù)態(tài)的功能神經(jīng)成像研究中廣泛使用的認(rèn)知術(shù)語(yǔ)的間接關(guān)聯(lián)，而不依賴于在同一隊(duì)列中獲得的認(rèn)知任務(wù)。事實(shí)上，元分析解碼已被用于評(píng)估神經(jīng)成像發(fā)現(xiàn)的認(rèn)知關(guān)聯(lián)。對(duì)于元分析Neurosynth數(shù)據(jù)庫(kù)中的每個(gè)術(shù)語(yǔ)，本研究計(jì)算了哪些研究使用該術(shù)語(yǔ)的頻率至少為千分之一(NiMARE中的默認(rèn)參數(shù))。接下來(lái)，使用NiMARE中實(shí)現(xiàn)的多級(jí)核密度卡方分析計(jì)算這些標(biāo)簽的元分析映射。對(duì)于任何用戶提供的基于表面的統(tǒng)計(jì)映射，將映射從表面插值到體積空間。最后，對(duì)于數(shù)據(jù)庫(kù)中的每個(gè)元分析映射，計(jì)算元分析映射和統(tǒng)計(jì)映射之間的體素積矩相關(guān)。圖3顯示了用元分析術(shù)語(yǔ)檢索前面計(jì)算的t統(tǒng)計(jì)映射相關(guān)性的示例。

靜息態(tài)序列

靜息時(shí)大腦的功能結(jié)構(gòu)被描述為一組連續(xù)的維度，稱為梯度。這些梯度突出了區(qū)域之間的漸變，并可用于通過(guò)評(píng)估與其他標(biāo)記的點(diǎn)關(guān)系來(lái)將發(fā)現(xiàn)嵌入到人腦的功能架構(gòu)中。先前的研究使用功能梯度來(lái)評(píng)估大腦功能結(jié)構(gòu)與高級(jí)認(rèn)知、海馬亞區(qū)連接、β淀粉樣蛋白表達(dá)和衰老、微結(jié)構(gòu)組織、系統(tǒng)發(fā)育變化和疾病狀態(tài)改變的關(guān)系。BrainStat中包含的功能梯度源自S1200版本fsaverage5的重采樣平均功能連接矩陣(以降低計(jì)算復(fù)雜度)。隨后計(jì)算連接組梯度。BrainSpace的參數(shù)如下：余弦相似性核、擴(kuò)散圖嵌入、alpha=0.5、稀疏度=0.9和diffusion_time=0。用于計(jì)算第一個(gè)函數(shù)梯度和t統(tǒng)計(jì)映射之間相關(guān)性的示例代碼如圖4所示。這兩張圖之間的斯皮爾曼相關(guān)性較低(ρ=0.17)。然而，為了檢驗(yàn)這種相關(guān)的顯著性，需要校正數(shù)據(jù)中的空間自相關(guān)。BrainSpace是BrainStat的一個(gè)依賴項(xiàng)，包括旋轉(zhuǎn)測(cè)試[1]?、Moran譜隨機(jī)化和變異函數(shù)匹配三種校正。

遺傳表達(dá)

艾倫人腦圖譜(Allen Human Brain Atlas)是一個(gè)微陣列基因表達(dá)數(shù)據(jù)的數(shù)據(jù)庫(kù)，其中包含超過(guò)2萬(wàn)個(gè)基因，這些基因來(lái)自6名成年捐贈(zèng)者的組織樣本。該資源可用于推導(dǎo)神經(jīng)成像數(shù)據(jù)與分子因子之間的關(guān)聯(lián)，從而深入了解產(chǎn)生解剖和連接組標(biāo)志物的機(jī)制。例如，這些數(shù)據(jù)可用于研究遺傳因素與功能連接、解剖連接之間的關(guān)系，以及疾病中連接性的變化。BrainStat的遺傳解碼模塊利用abagen工具箱來(lái)計(jì)算給定分區(qū)的遺傳表達(dá)數(shù)據(jù)。abagen的默認(rèn)參數(shù)遵循以下步驟。首先，它使用alleninf包(https://github.com/chrisgorgo/alleninf)提供的坐標(biāo)獲取并更新所有6個(gè)捐贈(zèng)者組織樣本的MNI152坐標(biāo)。接下來(lái)，它對(duì)探頭執(zhí)行基于強(qiáng)度的濾波，以刪除不超過(guò)背景噪聲的探頭。隨后，對(duì)于索引相同基因的探針，它選擇在捐贈(zèng)者之間具有最高微分穩(wěn)定性的探針。然后將組織樣本與分區(qū)方案中的區(qū)域相匹配。跨基因的每個(gè)樣本的表達(dá)值以及跨樣本的每個(gè)基因的表達(dá)值使用sigmoid函數(shù)進(jìn)行歸一化。最后，計(jì)算每個(gè)捐贈(zèng)者的每個(gè)區(qū)域內(nèi)的樣本均值，然后在捐贈(zèng)者之間取平均值。有關(guān)使用非默認(rèn)參數(shù)的步驟詳細(xì)信息，請(qǐng)參閱abagen文檔(https://abagen.readthedocs.io/)。在Python中，BrainStat直接調(diào)用abagen，因此所有參數(shù)都可以修改。在MATLAB中，如果abagen不可用，本研究工具箱包含了用abagen預(yù)先計(jì)算的遺傳表達(dá)矩陣，并為許多常見(jiàn)的分割方案提供默認(rèn)參數(shù)。圖5顯示了一個(gè)示例，該示例獲取先前定義的功能圖譜的遺傳表達(dá)，并將輸出與t統(tǒng)計(jì)映射相關(guān)聯(lián)。然后，從該模塊得出的表達(dá)可用于進(jìn)一步的分析，例如通過(guò)推導(dǎo)遺傳表達(dá)的主成分并將其與先前得出的統(tǒng)計(jì)映射進(jìn)行比較。

組織學(xué)

BigBrain圖譜是對(duì)人腦切片和細(xì)胞體染色的三維重建。它的數(shù)字化各向同性分辨率為20微米，是第一個(gè)公開(kāi)可用的全腦3D組織學(xué)數(shù)據(jù)集。因此，它非常適合將神經(jīng)成像標(biāo)志物與組織學(xué)特性相關(guān)聯(lián)。例如，用于交叉驗(yàn)證MRI衍生的微觀結(jié)構(gòu)研究，根據(jù)組織學(xué)特性定義感興趣的區(qū)域，或?qū)⑦B接組標(biāo)記與微觀結(jié)構(gòu)相關(guān)聯(lián)。組織學(xué)子模塊旨在簡(jiǎn)化神經(jīng)成像結(jié)果與BigBrain數(shù)據(jù)集的集成。該子模塊使用來(lái)自BigBrain圖譜的表面樣本，分布在皮層地幔的50個(gè)不同深度。這些剖面的協(xié)方差，也稱為微結(jié)構(gòu)剖面協(xié)方差，是通過(guò)對(duì)平均強(qiáng)度剖面進(jìn)行偏相關(guān)校正來(lái)計(jì)算的。使用默認(rèn)參數(shù)的BrainSpace從微結(jié)構(gòu)剖面協(xié)方差計(jì)算細(xì)胞結(jié)構(gòu)變化的主軸。本研究發(fā)現(xiàn)第一個(gè)特征向量與ρ=-0.28的t統(tǒng)計(jì)映射之間存在相關(guān)性(圖6)。

討論

腦成像數(shù)據(jù)的分析需要單變量和多變量統(tǒng)計(jì)推斷的工具，并且越來(lái)越多地利用來(lái)自多種資源的數(shù)據(jù)以促進(jìn)重要結(jié)果的解釋和情境化。盡管神經(jīng)影像社區(qū)已經(jīng)提供了許多工具來(lái)執(zhí)行單獨(dú)的分析步驟，但目前還沒(méi)有將統(tǒng)計(jì)推斷和情境化方法統(tǒng)一起來(lái)的軟件包。先前的一些工具允許對(duì)神經(jīng)成像數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，包括Matlab中的SPM(https://www.fil.ion.ucl.ac.uk/spm/)、Matlab中的SurfStat(https://www.math.mcgill.ca/keith/surfstat/)，以及Python中的nilearn(https://nilearn.github.io/)等。此外，也有一些工具允許將研究結(jié)果情境化，包括neuromaps(https://github.com/netneurolab/neuromaps)和ENIGMA工具箱(https://enigma-toolbox.readthedocs.io/)。作為唯一一款結(jié)合了統(tǒng)計(jì)分析和情境化的工具，并且可以在Python和Matlab中實(shí)現(xiàn)，BrainStat旨在提供一個(gè)完全開(kāi)放訪問(wèn)的工具，進(jìn)一步促進(jìn)和鞏固分析工作流程。希望這種并行實(shí)現(xiàn)有助于該領(lǐng)域分析人員和研究人員的教學(xué)和培訓(xùn)。值得注意的是，工具箱的模塊化設(shè)置允許彼此獨(dú)立地運(yùn)行統(tǒng)計(jì)和情境化分析。此外，BrainStat還補(bǔ)充了一個(gè)完整且易學(xué)的在線文檔，為新手和專家用戶提供了一個(gè)集成分析腦成像數(shù)據(jù)的入口。線性模型是基于神經(jīng)成像推斷的核心技術(shù)。許多常見(jiàn)的單變量和多變量統(tǒng)計(jì)分析，包括t檢驗(yàn)、F檢驗(yàn)、多元線性回歸和(M)AN(C)OVA，可以被認(rèn)為是一般線性模型的特殊情況。因此，一般線性模型的使用在整個(gè)神經(jīng)成像研究中很普遍，同時(shí)也很重要。BrainStat的統(tǒng)計(jì)模塊旨在為神經(jīng)成像數(shù)據(jù)提供靈活的多元線性建?？蚣堋１疚牡闹攸c(diǎn)是展示BrainStat提供的可能性，并概述了工具箱關(guān)鍵功能的可訪問(wèn)教程。雖然現(xiàn)在有許多軟件包可用于實(shí)現(xiàn)不同的分析，但這些通常是獨(dú)立發(fā)布的，將這些集成起來(lái)需要專業(yè)知識(shí)，并且通常需要精通特定的編程語(yǔ)言。BrainStat將這些工具集成到一個(gè)統(tǒng)一的多語(yǔ)言框架中，從而提高了它們的可訪問(wèn)性并簡(jiǎn)化了神經(jīng)成像研究的分析過(guò)程。希望通過(guò)降低這些技術(shù)的進(jìn)入門(mén)檻，減少人為錯(cuò)誤的機(jī)會(huì)，從而加速神經(jīng)成像社區(qū)的跨模態(tài)研究。目前，BrainStat實(shí)現(xiàn)了針對(duì)微觀尺度(即轉(zhuǎn)錄組學(xué)和組織學(xué))和功能特征(例如，fMRI元分析和靜息態(tài)網(wǎng)絡(luò))的情境化工作流。這允許用戶能夠在基礎(chǔ)和臨床神經(jīng)成像研究中采用越來(lái)越流行的分析方法。值得注意的是，一般情況下，情境關(guān)聯(lián)分析的應(yīng)用并不一定意味著對(duì)大腦組織的微觀和宏觀屬性之間以及結(jié)構(gòu)和功能之間關(guān)聯(lián)的方向性有任何假設(shè)。事實(shí)上，人類大腦中的微觀-宏觀關(guān)聯(lián)以及結(jié)構(gòu)-功能關(guān)系仍然是一個(gè)高度活躍的研究主題，通常表明不同領(lǐng)域之間復(fù)雜的雙向關(guān)系。

理論和實(shí)證研究都表明了可復(fù)制性在科學(xué)中的重要性。開(kāi)放獲取數(shù)據(jù)集和軟件的需求增加可以通過(guò)允許其他人使用相同的數(shù)據(jù)和程序重做實(shí)驗(yàn)來(lái)提高可重復(fù)性，并減少分析中的人為錯(cuò)誤。BrainStat對(duì)這一過(guò)程是有幫助的。通過(guò)將統(tǒng)計(jì)處理和多域特征關(guān)聯(lián)統(tǒng)一到跨兩種編程語(yǔ)言的單個(gè)包中，生成的代碼將更加自動(dòng)化。此外，BrainStat可能會(huì)增加缺乏建立此類集成管道專業(yè)知識(shí)的研究人員對(duì)所有這些方法的可訪問(wèn)性。鼓勵(lì)研究人員和用戶為不斷增強(qiáng)BrainStat工具箱的功能和范圍做出貢獻(xiàn)。鼓勵(lì)用戶將需要解決的問(wèn)題發(fā)布到GitHub問(wèn)題頁(yè)面(https://github.com/MICA-MNI/BrainStat/issues)。同樣，通過(guò)GitHub pull requests(https://github.com/MICA-MNI/BrainStat/pulls)支持集成來(lái)自世界各地用戶的新分析方法，并且可以成為未來(lái)版本的一部分。

數(shù)據(jù)和代碼可用性

BrainStat可通過(guò)PyPi(https://pypi.org/project/brainstat/)、FileExchange(https://www.mathworks.com/matlabcentral/fileexchange/89827-brainstat)和GitHub(https://github.com/MICA-MNI/BrainStat)免費(fèi)獲得。文檔可在 https://brainstat.readthedocs.io/上獲得。BrainStat在Windows、macOS和Linux上支持Python 3.7-3.9和MATLAB R2019b+。但是，建議用戶參考文檔中的安裝指南以了解最新要求。本文中使用的所有數(shù)據(jù)都可以通過(guò)BrainStat數(shù)據(jù)加載器訪問(wèn)。本文中提供的示例可在Github存儲(chǔ)庫(kù)(Matlab：https://github.com/MICA-MNI/BrainStat/blob/master/extra/nimg_figures_matlab_code.mlx；Python：https://github.com/MICA-MNI/BrainStat/blob/master/extra/nimg_figures_python_code.ipynb)中獲取。此外，關(guān)于線性模型的教程(Matlab：https://brainstat.readthedocs.io/en/master/matlab/tutorials/tutorial_1.html；Python：https://brainstat.readthedocs.io/en/master/python/generated_tutorials/plot_tutorial_01_basics.html)和情境解碼(Matlab：https://brainstat.readthedocs.io/en/master/matlab/tutorials/tutorial_2.html；Python：https://brainstat.readthedocs.io/en/master/python/generated_tutorials/plot_tutorial_02_context.html)也可以在GitHub存儲(chǔ)庫(kù)中找到。原文：Sara Lariviere, S? eyma Bayrak, Reinder Vos de Wael, Oualid Benkarim, Peer Herholz, Raul Rodriguez-Cruces, Casey Paquola, Seok-Jun Hong, Bratislav Misic, Alan C. Evans, Sofie L. Valk, Boris C. Bernhardt, BrainStat: a toolbox for brain-wide statistics and multimodal feature associations, NeuroImage (2022), doi: https://doi.org/10.1016/j.neuroimage.2022.119807

小伙伴們點(diǎn)星標(biāo)關(guān)注茗創(chuàng)科技，將第一時(shí)間收到精彩內(nèi)容推送哦～