- 综合排序
- 最热优先
- 最新优先
- 来自专栏锦小年的博客
Nilearn学习笔记1-Nilearn库介绍
nilearn是一个将机器学习、模式识别、多变量分析等技术应用于神经影像数据的应用中，能完成多体素模式分析（MVPA:mutli-voxel pattern analysis）、解码、模型预测、构造功能连接 一般用于处理功能磁共振图像（FMRI）、静息状态（resting-state）,或者基于体素的形态学分析（VBM）.对于机器学习专家来说，nilearn的价值体现在特定领域特定工程的构造，也就是将神经影像数据表达成为非常适合于统计学习的特征矩阵 为什么机器学习对于神经影像很重要 1.1 有监督学习的脑图像能预测临床评分或者治疗反应 1.2 能够度量泛化评分 1.3 能够用于多维多变量统计学分析 1.4 能应用数据驱动来探索大脑 2 如何安装nilearn 库 建议安装anaconda（一个python环境），它满足nilearn所需要的所有第三方库。 进入CMD（win+r），输入命令： pip install -U --user nilearn 打开python编辑器，导入nilearn： import nilearn
1.6K50发布于 2018-01-02 - 来自专栏脑机接口
Nilearn中的基本操作和查看
Rose小哥今天给大家介绍一款用于神经成像工具Nilearn以及它的基本操作和数据保存查看。 ? Nilearn是一个Python模块，用于对神经成像数据进行快速、简单的统计学习。 下面对它的基本操作进行简要介绍: 这里我们使用nilearn随附的Nifti文件 # 导入自带的Nifti文件 from nilearn.datasets import MNI152_FILE_PATH 第二步：平滑操作 让我们使用nilearn中的图像平滑功能：nilearn.image.smooth_img 包含"img"的函数可以使用文件名或图像作为输入。 在这里，我们以毫米为单位输入图像文件名和平滑值 # 从nilearn导入 image工具库 from nilearn import image smooth_anat_img = image.smooth_img 这些可以传递给其他nilearn工具，或保存到磁盘。
1.6K20发布于 2020-06-30 - 来自专栏脑机接口
Nilearn教程系列(4)-fMRI解码入门教程(一)
这是使用Nilearn解码的教程，它以Haxby 2001研究中猫辨别任务的数据为基础。 主要内容包括： 1.从Haxby研究中检索并加载fMRI数据 2.利用SVM解码 3.使用交叉验证测量预测分数 4.检查模型权重 1 下载数据 from nilearn import datasets 4D data 2 将fMRI数据转换为数据矩阵 """ 以受检者的解剖图像为背景对其进行可视化 """ mask_filename = haxby_dataset.mask_vt[0] from nilearn plotting.plot_roi(mask_filename, bg_img=haxby_dataset.anat[0], cmap='Paired') """ 利用 nilearn.input_data.NiftiMasker 来提取mask上的fMRI数据， 并将其转换为数据序列 """ from nilearn.input_data import NiftiMasker masker = NiftiMasker(mask_img
89220编辑于 2022-08-18 - 来自专栏锦小年的博客
Nilearn学习笔记2-从FMRI数据到时间序列
在nilearn库中，提供了两个函数计算mask： (1) nilearn.masking.compute_background_mask for brain images where the brain (r'E:\home\bct_test\NC_01_0001\rs6_f8dGR_w3_rabrat_4D.nii') print(mask.get_data().shape) from nilearn.masking 在nilearn中，重采样函数：resample_to_img 例如：from nilearn.image import resample_to_img Atlas = resample_to_img( from nilearn.input_data import NiftiLabelsMasker masker = NiftiLabelsMasker(labels_img=Atlas, standardize =True, memory='nilearn_cache', verbose=5) time_series = masker.fit_transform
3.8K70发布于 2018-01-02 - 来自专栏锦小年的博客
Nilearn学习笔记3-提取时间序列建立功能连接体
在nilearn库中，提供了两种从fmri数据中提取时间序列的方法，一种基于脑分区（Time-series from a brain parcellation or “MaxProb” atlas），一种基于概率图谱 fmri image # Note: functions in learn can accept parameters as: image object or fmri filepath from nilearn.image import masking mask = masking.compute_background_mask(fMRIData) # Download atlas from internet from nilearn 相比于从脑分区中提取信号的方法，从概率图谱建立时间序列的过程是一样的，只是在nilearn库中选取的类和函数不一样。 在nilearn库中，提供了功能连接体可视化的方法，可以直接调用相应函数将图画出来（第二个例子）。
2.9K50发布于 2018-01-02 - 来自专栏脑机接口
Nilearn教程系列(3)-ICA静息功能磁共振成像的分组分析:CanICA
stable multi-subject ICA on fMRI datasets", NeuroImage Vol 51 (2010), p. 288-299 1.加载ADHD200数据 from nilearn functional nifti image (4D) is at: %s' % func_filenames[0]) # 4D data 2.将CanICA应用在核磁共振图像 from nilearn.decomposition import CanICA canica = CanICA(n_components=20, smoothing_fwhm=6., memory="nilearn_cache components together plot_prob_atlas(components_img, title='All ICA components') 3.2将所有的ICA组件单独绘制 from nilearn.image import iter_img from nilearn.plotting import plot_stat_map, show import warnings warnings.filterwarnings
69120编辑于 2022-08-18 - 来自专栏锦小年的博客
Nilearn学习笔记4- 连接提取：用于直接连接的协方差
#################################################### # And now display the corresponding graph from nilearn 对于这个问题，nilearn提供了群体估计器：nilearn.connectome.GroupSparseCovarianceCV estimator. 它的用法如下： Estimator =nilearn.connectome.GroupSparseCovarianceCV Estimator.fit([timeseries1,timeseries2,
1.6K70发布于 2018-01-02 - 来自专栏全栈程序员必看
医学图像处理(医学图像处理研究生就业选择)
17. nilearn模块 解析： （1）nilearn.connectome: Functional Connectivity （2）nilearn.datasets: Automatic Dataset Fetching （3）nilearn.decoding: Decoding （4）nilearn.decomposition: Multivariate decompositions （5）nilearn.image （7）nilearn.masking: Data Masking Utilities （8）nilearn.regions: Operating on regions （9）nilearn.mass_univariate : Mass-univariate analysis （10）nilearn.plotting: Plotting brain data （11）nilearn.signal: Preprocessing 对于机器学 习专家来说，Nilearn的价值体现在特定领域特定工程的构造，也就是将神经影像数据表达成为非常适合于统计学习的 特征矩阵。[17] 18.
2.3K31编辑于 2022-08-02 - 来自专栏脑机接口
Nilearn教程系列(2)-3D和4D niimgs:处理和可视化
欢迎关注我们，选择加"星标"或“置顶” 更多技术，第一时间送达 3D和4D niimgs:处理和可视化 第一步：加载数据 from nilearn import datasets import warnings print(motor_images.images) tmap_filename = motor_images.images[0] 第二步：可视化 # 我们将3D数据，可视化为统计图 from nilearn """ 查看4D图片的形状 """ from nilearn import image print(image.load_img(rsn).shape) (91, 109, 91, 10) """ 获取第一组数据
93710发布于 2020-06-30 - 来自专栏超级架构师
前20名Python机器学习开源项目
Bob, Iepy, Nilearn, and NuPIC have the highest such value. Nilearn, 2742 commits, 28 contributors, www.github.com/nilearn/nilearn Nilearn is a Python module for
92240发布于 2018-04-09 - 来自专栏AIRX三次方
Github上Top20 Python与机器学习开源项目推荐
1）URL https://github.com/NervanaSystems/neon （2）Github URL： https://github.com/NervanaSystems/neon Nilearn Nilearn是一个Python模块，用于对神经成像数据进行快速、简单的统计学习。 （1）URL： https://nilearn.github.io/ （2）Github URL： https://github.com/nilearn/nilearn Orange3 Orange3
1.8K00发布于 2020-12-05 - 来自专栏机器学习算法与Python学习
GitHub最著名的20个Python机器学习项目，值得收藏！
https://github.com/numenta/nupic 4 Nilearn：Nilearn 是一个能够快速统计学习神经影像数据的Python模块。 https://github.com/nilearn/nilearn 5 PyBrain：Pybrain是基于Python语言强化学习，人工智能，神经网络库的简称。
3.1K300发布于 2018-04-09 - 来自专栏IT派
GitHub最著名的20个Python机器学习项目
https://github.com/numenta/nupic Nilearn：Nilearn 是一个能够快速统计学习神经影像数据的Python模块。 https://github.com/nilearn/nilearn PyBrain：Pybrain是基于Python语言强化学习，人工智能，神经网络库的简称。
1.3K60发布于 2018-03-28 - 来自专栏IT派
TOP20你用了几个？Python人工智能与机器学习开源项目
从贡献者数量的增长率看，增长最快的项目分别为：TensorFlow(169%)、Deap（86%）、Chainer（83%）、Gensim（81%）、Neon（66%）、Nilearn（50%） 2018 Contributors: 78 (66% up), Commits: 1112, Github URL: Neon Nilearn ：一种用于在NeuroImaging数据上进行统计学习的Python Contributors: 69 (50% up), Commits: 6198, Github URL: Nilearn Orange3：一种新手和专家均可以使用的机器学习和数据可视化工具箱，支持交互式数据分析
77620发布于 2018-08-10 - 来自专栏企鹅号快讯
推荐：机器学习 Python库Top 20
Nilearn是一个 Python 模块，用于在神经成像 (NeuroImaging) 数据上进行快速简单的统计学习。 提交数: 5254, 贡献者: 46, Github 链接: Nilearn(http://github.com/nilearn/nilearn) 13.
1.2K80发布于 2018-01-12 - 来自专栏IT派
Top 20-Python 机器学习开源项目
Nilearn 是一个 Python 模块，用于在神经成像 (NeuroImaging) 数据上进行快速简单的统计学习。 提交数: 5254, 贡献者: 46, Github 链接: Nilearn(http://github.com/nilearn/nilearn) 13.
1K80发布于 2018-03-29 - 来自专栏PPV课数据科学社区
Python机器学习库和深度学习库总结
Nilearn www.github.com/nilearn/nilearn Nilearn 是一个能够快速统计学习神经影像数据的Python模块。
80240发布于 2018-04-24 - 来自专栏FPGA技术江湖
满满的干货：机器学习资料（五）
https://github.com/patvarilly/CoverTree nilearn—Python实现的神经影像学机器学习库。 https://github.com/nilearn/nilearn Shogun—机器学习工具箱。
51920发布于 2020-12-30 - 来自专栏顶级程序员
机器学习必备：前20名Python人工智能和机器学习开源项目
Nilearn提高了50%，从46个增加到69个贡献者。 2018年新晋的两个项目的贡献者人数： 1. Keras,626名贡献者。 2. Pytorch,399名贡献者。 Nilearn是一个Python模块，用于快速简单的统计学习神经成像数据。它利用scikit-learn Python工具箱进行多变量统计，并提供预测建模，分类，解码或连接分析等应用。 贡献者：69(上升50%)，提交：6198，Github网址：Nilearn。 15. Orange3是新手和专家的开源机器学习和可视化数据。使用大型工具箱交互式数据分析工作流程。
1.2K90发布于 2018-05-03 - 来自专栏脑机接口
为什么要学会用python处理脑电数据？
实际上，脑机接口领域使用Python处理脑电信号等工具库已经有非常多了，包括：MNE-python、Nilearn、PyEEG、PyMVPA等，也包括流行的设备与工具库：OpenBCI等。 ? Nilearn 下面是流行的基于Python的机器学习库和深度学习库 在机器学习领域，Python目前集成了大量的机器学习框架，其中常用机器学习库如下所示： Scikit-Learn Scikit-Learn
1.7K20发布于 2020-06-30
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号