跳到内容 跳到菜单
本网站使用cookie来帮助我们理解游客的方式使用我们的网站。我们不能确定你与他们,我们也不与任何人分享数据。如果你点击拒绝,我们将设置一个cookie记住你的偏好。发现更多的伦敦大学学院的隐私通知

建模和分析

方法

收购:我们如何获取和表示数据

我们使用神经成像技术获取数据以不同形式不同的目的:

  • 大脑的神经影像产生三维的“地图”,由多个卷(压),类似于像素组成一个照片,与每个立体像素坐标显示在地图上的什么地方。
  • 地图使用体内组织学模型生成的组织属性。
  • 功能成像,在每个体元收购了多个时间点的数据。

分析:我们如何处理数据

我们发明的分析方法,开发、分发和使用包含在我们的统计参数映射(SPM)软件。这个软件包含多个函数来测试假设功能解剖学。这些包括:

试注册

注册技术成像数据(例如核磁共振扫描)被放置在相同的空间(即对齐)可靠地比较一个或多个图像(s)。技术包括估计一组参数来描述几个图像的相对位置和方向同一个人,随后使这些图像覆盖的比较。

主客体之间登记

大脑的大小和形状因人而异。使大脑扫描不同的人相比,他们通常弯曲以适应一个共同的模板。空间正常化是一个过程估计图像的形状相对于模板,随后纠正图像符合一个标准模板的大脑。

空间正常化允许:

  • 信号平均跨群体
  • 识别组织之间的相同点和不同点(如病人与健康人)

分割

分割是图像分离的过程(如大脑扫描)到不同的结构或类型的组织——例如灰质、白质和脑脊液(CSF)。统一的分割是一个结合了图像配准技术,组织分类,并修正某些图像异常(偏差纠正)在相同的生成模型。


源本地化梅格

源本地化是指图像处理技术,使大脑电活动的本地化使用记录电活动的地图。它通过调整模型参数(如偶极子位置、方向、大小和时间进程),直到数据和模型之间的差异最小化。


一般线性模型(GLM)

的漠视,是评估的统计方法的贡献不同的被测信号的可能原因。GLM是常用的神经成像研究区分有趣的有关我们的实验信号的变化,从无趣的变化(如噪声)。漠视这个词是一个概括的多元线性回归,哪里有几个变量。通过应用GLM大脑中的每一点,我们创建SPM图像说明在大脑有证据表明实验效果。


动态因果模型(DCM)

动态因果模型(DCM)是一个方法用来解释功能神经影像数据的根本原因。DCM涉及创建实际模型的神经影像数据分布产生的大脑反应,然后利用贝叶斯统计估计底层架构的分布式大脑区域之间的联系。


基于体素的形态测量学(VBM)和基于体素的量化(VBQ)

基于体素的形态测量学(VBM)允许焦点不同的大脑解剖学和组织类型调查,使用相同类型的分析与功能成像数据。

VBQ允许大脑组织个体之间的差异(如与不同年龄)或团体(如病人和健康人)使用SPM的统计识别框架。VBM VBQ提供补充信息,但与更大的敏感性和特异性组织微观结构。

统计参数映射

我们主要分析软件开发的神经影像数据费尔。

了解更多对SPM

Baidu
map