为更好地帮助到想要利用神经影像做科研的客户们，拓展思影科技的业务范围,思影科技推出脑影像机器学习数据处理业务。
（1）对于原始数据，检查图像是否具有明显的形变、缺损、伪影等；（2）检查图像参数是否合适，如图像维度、体素大小等；（3）对于预处理后的数据，检查所有被试的图像参数是否一致。
二、特征构建
本部分描述可用于后续分类/预测的影像指标及其筛选方式。
2.1特征构建
1. fMRI指标。fMRI（功能磁共振）数据经过时间层校正、头动校正、空间标准化、降噪等预处理步骤后，可计算ALFF（低频振幅）、ReHo（局部一致性）、FC（功能连接）、VMHC（镜像同伦功能连接）等指标。以上指标可以在体素水平计算。
图示.fMRI指标：ReHo（左）与ALFF（右）2. sMRI指标。sMRI（结构磁共振）数据经分割后，可计算灰质体积/密度、白质体积/密度等指标；也可计算皮层厚度、皮层局部回指数等指标。以上指标可以在体素/顶点水平计算。3. dMRI指标。dMRI（弥散磁共振）数据经头动涡流校正、张量拟合等预处理步骤后，可得到FA、MD、AD、RD等指标。以上指标可以在体素水平计算。
图示.弥散影像指标。
4. 灌注成像指标。基于灌注成像数据（如ASL，即动脉自旋标记数据），可以计算脑血流（CBF）等指标。以上指标可以在体素水平计算。5. 脑网络。利用特定的脑图谱（如AAL Atlas），基于fMRI数据，可以构建全脑功能脑网络；基于dMRI数据，可以构建全脑结构脑网络（FA、FN加权）。以上指标非体素水平指标。
图示.功能脑网络示例
6.特征尺度可改变。上述fMRI、sMRI、dMRI、灌注指标，皆可提取特定脑区的数值作为特征。利用特定的脑图谱，可提取每个单独脑区的平均指标值。
图示.提取每个单独脑区的指标作为特征。
7. 行为量表。您自行收集的行为量表得分，也可作为特征纳入后续分析。
8. PET。PET（正电子发射断层显像）数据经过头动校正、空间标准化、平滑等预处理步骤后，可计算SUV（标准摄取值）等指标。以上指标可以在体素水平计算。
注：上述内容包含了常见的脑影像指标，理论上几乎所有影像指标都可以作为特征来使用，如果您有合适的想法，可以联系我们进行协商。上述指标的具体计算，可以参考我们的其他数据处理业务。如果您对脑影像机器学习及相关特征感兴趣，可浏览思影科技相关课程及数据处理服务（目前思影所有课程均开放报名，报名后我们会第一时间联系，并保留已报名学员名额，请添加微信siyingyxf咨询）：
北京：
第十七届脑影像机器学习班（北京，9.3-8）
第十九届DTI数据处理班(北京，8.19-24)
第九届小动物磁共振脑影像数据处理班（9.11-16）
第二十三届磁共振脑网络数据处理班（北京，9.17-22)
第二届磁共振脑网络数据处理提高班（北京，9.23-28)
第一届任务态fMRI提高班(北京，8.25-30)
第四十七届磁共振脑影像基础班（北京，10.22-27）
第二十一届脑网络数据处理班(上海，8.20-25)
第三届磁共振脑网络数据处理提高班（上海，10.12-17）
第十届任务态功能磁共振数据处理班（上海，8.12-17)
第十五届磁共振脑影像结构班（上海，9.7-12）
第四届DWI提高班(上海，9.23-28）
第四十五届磁共振脑影像基础班（重庆，8.26-31)
第十八届脑影像机器学习班（重庆，9.12-17）
数据处理业务介绍：
1.相关法。计算每个特征与量表的相关性（如皮尔逊相关），保留相关值高的特征。 2.参数检验法。对不同组别人群的特征做假设检验（比如对两组人群的特征做双样本T检验），保留通过假设检验的特征。3.主成分分析（PCA）法。将所有特征分解成一系列主成分，保留排名靠前的主成分作为特征。4.递归特征消除法。循序渐进地删除影响最小的特征，直至保留特定数目的最重要的特征为止。5. 稀疏特征表示。可以选择使用LASSO回归（及其变种）、低秩（Low-Rank）等特征选择/表示方法。机器学习模型是实现分类/预测的核心所在，我们可以提供神经影像领域最为热门的模型，方便大家选择。这些模型可用来实现MVPA分析，寻找合适的影像生物标记。1.支持向量机（SVM）。在许多情况下，支持向量机都是二分类模型的首选。通过使用核函数，即使基于线性不可分的数据，也可获得较好的分类精度。引入投票机制后，亦可将该模型应用于多分类场景。
图示.支持向量机（SVM）。
2.回归模型。回归模型主要用于预测连续变量（如量表得分）。可选的回归模型有线性回归（GLM）、多项式回归等，也包含其变种，如LASSO回归、岭回归、Elastic Net等。其他可选回归模型有：支持向量回归（SVR）、关联向量回归（RVR）等。
图示.各种回归模型。
3. 集成学习。当单一的分类器性能不良时，可以考虑集成多个弱分类器，形成一个强分类器。可选的集成学习模型有随机森林等。4.神经网络。当没有良好的手工选择的特征时，可以考虑选用深度神经网络（主要基于CNN来实现）模型。该模型可以自动从原始数据中提取特征，用于后续的预测任务。5.聚类。当数据没有标签时，可以选择无监督学习算法，如K-means聚类。6.上述模型的变种。如基于脑连接组的预测模型（CPM），是一种利用脑网络特征和线性/多项式模型进行预测的方法。
图示.基于脑连接组的预测模型(CPM)。
7.多模态融合学习。可以对多种模态的特征kernel进行融合，实现多核SVM学习；也可以使用卷积神经网络融合多模态数据，充分利用各种模态的特征。
如果选择的模型具有超参数，则可以选择进行超参数优化（即“调参”）。为了量化模型的预测效果，需要进行精度评估。参数优化与精度评估皆可通过交叉验证的方式进行。可选的交叉验证方式：S折交叉验证、留一交叉验证、嵌套交叉验证等。
为了验证精度指标是否显著有效（区别于随机猜测），可以打乱数据的标签，重新训练并预测。上述置换检验的过程，可以计算用来验证精度指标结果是否可靠的p值。注：我们可以提供的机器学习模型包括但不限于以上内容。其他模型如K近邻、朴素贝叶斯（Naive Bayes）、线性判别分析（LDA）、主成分分析（PCA）、决策树或上述模型的变种，亦可根据需求实现。您可以选择其中的一种或多种进行尝试。
四、结果汇报&可视化
结果汇报内容包括：
（1）对于分类模型，可汇报敏感性（Sensitivity）、特异性（Specificity）、总精度、ROC曲线下面积（AUC）等精度指标；
（2）对于回归模型，可以汇报相关值、MSE、MAE等精度指标；
（3）置换检验的结果，如p值。
图示.ROC曲线可视化
（3）对于模型训练过程中发现的贡献较大的特征，可绘制点线图、矩阵图、圈状图等等。
图示. 脑网络特征的点线图、矩阵图、圈状图可视化
五、基于最新的机器学习（如深度神经网络）模型，我们还可以对脑肿瘤影像进行影像组学分析。
图示.工程师在讨论
1. 分析方法可定制。思影科技可根据您提供的模板文献，基于您的实验数据，实现文献中使用的数据分析方法。此外，未列出的分析方法，只要在思影科技的能力范围内，尽力实现您的想法。2. 分析代码可定制。您可以选择不同的平台/软件来实现想法。在没有现有的软件适用于您的数据分析需求时，思影科技会与您协商，通过编写代码实现您的想法，并提供代码的完整实现。LibSVM/Scikit-learn.3.可视化方案可定制。如果您有特殊的可视化方案要求，也可与我们协商实现。
欢迎浏览思影的数据处理业务及课程介绍。（请直接点击下文文字即可浏览思影科技所有的课程，欢迎添加微信号siyingyxf或18983979082进行咨询，所有课程均开放报名，报名后我们会第一时间联系，并保留已报名学员名额）：
核磁：
北京：
第十九届DTI数据处理班(北京，8.19-24)
第十七届脑影像机器学习班（北京，9.3-8）
第九届小动物磁共振脑影像数据处理班（9.11-16）
第二十三届磁共振脑网络数据处理班（北京，9.17-22)
第二届磁共振脑网络数据处理提高班（北京，9.23-28)
第一届任务态fMRI提高班(北京，8.25-30)
第四十七届磁共振脑影像基础班（北京，10.22-27）
第二十一届脑网络数据处理班(上海，8.20-25)
第三届磁共振脑网络数据处理提高班（上海，10.12-17）
第十届任务态功能磁共振数据处理班（上海，8.12-17)
第十五届磁共振脑影像结构班（上海，9.7-12）
第四届DWI提高班(上海，9.23-28）
第四十五届磁共振脑影像基础班（重庆，8.26-31)
第十八届脑影像机器学习班（重庆，9.12-17）
第十五届近红外脑功能数据处理班（上海，9.13-18)
第二届MNE-Python脑电数据处理班（上海，8.26-31)
第三十二届脑电数据处理中级班（上海，10.20-25）
第十四届近红外脑功能数据处理班（重庆，8.14-19)
第三十一届脑电数据处理中级班（重庆，8.20-25)
北京：
第十届脑电信号数据处理提高班（北京，10.16-21）
第十六届近红外脑功能数据处理班（北京，10.28-11.2）
南京：
第十八届脑电数据处理入门班（南京，9.3-8)
数据处理业务介绍：
思影科技近红外脑功能数据处理服务
