15.1.引文和参考文献
如果您在工作中使用AFNI及其工具,我们要求您请在适当的情况下引用主要论文和任何附带项目。
如果您在工作中使用AFNI,请引用:
Cox RW(1996)。AFNI:分析和可视化软件功能性磁共振神经影像。计算机生物识别研究29(3):162-173. doi:10.1006/提交人:1996.0014
RW Cox,JS Hyde(1997)。用于分析和FMRI数据可视化。生物医学核磁共振,10:171-178。
如果您使用AFNI的实时功能,请引用:
Cox RW,Jesmanowicz A(1999)。实时3D图像配准功能MRI。医学中的磁共振,42:1014-1018.
对于多种FMRI处理选择afni_proc.py公司
,请查看(并引用相关内容)以下内容:
Taylor PA、Chen G、Glen DR、Rajendra JK、Reynolds RC、Cox RW(2018). 用AFNI处理FMRI:一些评论和更正探讨分析软件对任务fMRI的影响结果”。生物Rxiv 308643;数字对象标识代码:10.1101/308643
如果使用ANATICOR去噪FMRI数据集(例如,在afni_proc.py公司
),请引用:
Jo HJ、Saad ZS、Simmons WK、Milbury LA、Cox RW。地图来源静止状态FMRI与伪影检测和拆卸。神经影像学。2010;52(2):571-582.doi:10.1016/j.欧洲图像.201004.246
如果您使用InstaCorr调查您的数据(它是一定地乐趣甚至很可能资料性),请引用:
Song S、Bokkers RPH、Edwardson MA、Brown T、Shah S、Cox RW、SaadZS、Reynolds RC、Glen DR、Cohen LG、Latour LL(2017年)。世俗的相似灌注成像:一种标准化的无模型方法用于检测中风中的灌注不足。《公共科学图书馆·综合》第12卷,文章编号e0185552。doi:10.1371/journal.pone.0185552
如果您使用第三代人
,请引用:
Saad ZS、Ropella KM、Cox RW、DeYoe EA(2001年)。分析和使用FMRI响应延迟。人类大脑映射图13(2):74-93。doi:10.1002/hbm.1026
如果您使用三维分段
关于细分,请引用:
Vovk A、Cox RW、Stare J、Suput D、Saad ZS(2011年)。细分局部图像属性的先验:不使用偏移字段更正、基于位置的模板或注册。神经影像55:142-152。
…如果您想阅读更多有关自动分段的信息,请使用其他分类方法,适用于各种健康大脑,以及那些患有疾病、严重萎缩和病变的人,请参阅:
Selvaganesana K、Whitehead E、DeAlwis PM、Schindler MK、Inati SSaad ZS、Ohayona JE、Cortese ICM、Smith B、Jacobson S、Nath A、,Reich DS、Inati S、Nair G(2019年)。强大、无地图册、自动健康和疾病中的脑部MRI分割。太阳神5(2):e01226.doi:10.1016/j.heliyon.2019.e01226
如果您使用3dReHo公司
,3dNetCorr(三维净校正)
,3dRSFC公司
,3dLombScargle公司
(是的,真的是一个节目),3dA至RSFC
,3d空间时间校正
、和/或3d切片
,请引用:
Taylor PA,Saad ZS(2013)。FATCAT:(一种高效的)功能和拖拉机连接性分析工具箱。大脑连接。三,523–535. doi.org/10.1089/brain.2013.0154
如果您使用dcm2niix_afni公司
在您的处理过程中,它是程序dcm2niix公司
请给我克里斯·罗登的善意捐助引用:
Li X、Morgan PS、Ashburner J、Smith J、Rorden C(2016)。第一个神经成像数据分析的步骤:DICOM到NIfTI的转换。J型神经科学方法。264:47-56. doi(操作界面):2016年10月10日/j.jnumeth.2016.03.001。PMID:26945974
如果您使用3dPFM公司
为“无范式映射”确定简要fMRI时间序列中无先验知识的BOLD事件(秒级)请引用:
Caballero-Gaudes C、Petridou N、Dryden IL、Bai L、Francis ST、,Gowland PA(2011)。单一试验的检测和表征fMRI大胆回应:无范式映射。Hum大脑映射,32(9):1400-18.
Caballero-Gaudes C、Petridou N、Francis ST、Dryden IL、Gowland PA(2013). 稀疏回归的无范式映射自动检测单线功能磁共振成像血氧水平依赖性反应。哼哼大脑地图34(3):501-18。
备注:这是专门用于将PFM应用于静止状态数据:
Petridou N、Caballero-Gaudes C、Dryden IL、Francis ST Gowland PA(2013). fMRI中的休息期包含个体自发的与缓慢波动的自发活动有关的事件活动。人类大脑映射34(6):1319-29。
如果您使用3dMEPFM公司
对于多cho“无范式映射”,请引用:
Caballero-Gaudes C、Moia S、Panwar P、Bandettini PA、,Gonzalez-Castillo J(2019)。一种反褶积算法多通道功能MRI:无多通道稀疏范式映射。神经影像202:116081。
如果您有兴趣在您的分析(例如,通过3dNLfim公司
),请查看的工具他们在AFNI的分析如下:
Silson EH、Reynolds RC、Kravitz DJ、Baker CI(2018年)。早期腹侧和背侧视觉空间的差异采样视觉皮层。《神经科学杂志》38:2294–2303。
Silson EH、Chan AW、Reynolds RC、Kravitz DJ、Baker CI(2015)。A类高层次场景处理划分的视网膜主题基础位于人类枕颞皮质外侧和腹侧之间。J型《神经科学》35:11921–11935。
Silson EH、Groen II、Kravitz DJ、Baker CI(2016)评估人脸、场景和对象选择性与枕颞外侧皮质内的视网膜异位组织。J型视力16(6):14,1–21。
如果您对多回波功能磁共振成像感兴趣(另请参阅afni_proc.py公司。
帮助页寻找方法方便处理此类数据),请参见:
Kundu P、Brenowitz ND、Voon V、Worbe Y、Vertes PE、Inati SJ、SaadZS、Bandettini PA、Bullmore ET(2013年)。综合战略利用多回波改进功能连通性映射功能磁共振成像。美国国家科学院院刊110:16187–92。
如果你使用这个程序精对苯二甲酸
用于轮廓跟踪分析(PTA)通过平滑估计非线性轨迹、趋势或轮廓样条曲线;或者,如果您使用三维MSS
对于多级平滑样条曲线人口水平,请引用:
Chen G、Nash TA、Reding KM、Kohn PD、Wei S-M、Gregory MD、,Eisenberg DP、Cox RW、Berman KF、Kippenhan JS(2020年)。超越神经成像中的线性:捕捉非线性关系应用于纵向研究。神经影像233:117891。
如果您使用的是AFNI的表面修整工具@afni接口运行
(它有一个教程页面在这里),请查看OHBM-2020上的演示文稿:
Cox RW,Taylor PA(2020年)。当你可以重新面对时,为什么要放弃?在人类组织第26届年会上发表大脑绘图。
备注:你可能也对这份独立报告感兴趣找到的评估@afni_refacer_run公司
成为整体上最好的在测试/当前可用的表面修整/表面修整工具中:
Theyers AE、Zamyadi M、O’Reilly M、Bartha R、Symons S、MacQueenGM、Hassel S、Lerch JP、Anagostou E、Lam RW、Frey BN、Milev R、,Müller DJ、Kennedy SH、Scott CJM、Strother SC和ArnottSR(2021)。MRI图像处理软件的多站点比较多个队列。前面。精神病学12:617997。doi(操作界面):10.3389/fpsyt.2021.617997
有关估计厚度测量值的不同方法的信息(例如皮层厚度),请从以下位置查看此演示OHBM-2018年:
Glen D、Taylor PA、Seidlitz J、Glen M、Liu C、Molfese P、ReynoldsR、 (2018)。通过厚度和厚度:用MRI测量厚度AFNI公司。在本组织第24届年会上提交人脑绘图。
如果您对计算度中心性(DC)和局部性感兴趣功能密度(lFCD),考虑检查3d度中心
和3dLFCD
,请参见:
Craddock RC,Clark DC(2016)。优化的实施体素度中心性与局部函数连通性AFNI中的密度映射。GigaScience,第5卷,第1期,s13742–016–0147–0–d,doi:10.1186/s13742-016-0147-0-d
如果您对边缘检测和可视化感兴趣体积数据,请考虑检出3个dedgedog
请参见:
Rorden C、Newman Norlund R、Drake C、Glen DR、Fridriksson J、,Hanayik T,Taylor PA(2024年)。改进的三维边缘检测MRI对准和对齐的目视检查。神经科学方法杂志。2012年3月18日:1101。doi:10.1016/j.pneumeth.2024.110112。Epub提前打印。PMID:38508496。
如果你有兴趣建立一个详细的体波血流动力学模型响应函数(HRF)没有假设常量+标准形状和具有有用的正则化,然后参见:
Chen G、Taylor PA、Reynolds RC、Leibenluft E、Pine DS、Brotmas MA、,Pagliaccio D,Haller SP(2023年)。BOLD响应不仅仅是幅度:通过捕获提高检测灵敏度血流动力学曲线。神经影像277:120224。
如果您在工作中使用SUMA,例如用于曲面计算和/或可视化,请引用:
Saad ZS、Reynolds RC、Argall B、Japee S、Cox RW(2004)。SUMA:一种基于表面的主题内和主题间分析界面AFNI,2004年IEEE第二届国际生物医学研讨会成像:纳米到微距(IEEE分类号04EX821)。在2004年第二届IEEE生物医学成像国际研讨会:纳米至Macro(IEEE分类号04EX821),第1510-1513页第2卷。doi.org/10.109/ISBI.2004.1398837
Saad ZS,Reynolds RC(2012年)。SUMA公司。神经影像62,768–773. doi.org/10.1016/j.neuroimage.2011.09.016
如果在曲面/SUMA分析中使用标准网格,请引用:
Argall BD、Saad ZS、Beauchamp MS(2006年)。简化的主题间使用SUMA在皮层表面进行平均。人脑映射27: 14-27.
如果您想了解FIAC数据集上的AFNI+SUMA结果,请参阅:
Saad ZS、Chen G、Reynolds RC、Christidis PP、Hammett KR、BellgowanPSF,Cox RW(2006)。根据AFNI和SUMA进行FIAC分析。人脑绘图27:417-424。doi:10.1002/hbm.20247
如果您使用SUMA剪裁平面和/或冲浪者功能,请引用:
Torrisi S、Lauren P、Taylor PA、Park S、Feinberg D、Glen DR(2021). 使用AFNI+SUMA创建分层曲面以进行可视化层流fMRI的应用人类大脑绘图组织。
Lauren P、Glen DR、Reynolds RC、Torrisi S、Taylor PA(2022年)。使用剪切PLAN分析SUMA中的大脑数据。演示时间:人类大脑绘图组织第28届年会。
有关调查质量的详细示例和描述您的FMRI数据,包括使用afni_proc.py质量控制(APQC)HTML报告和发电机_审查_表格.py
,请查看:
Reynolds RC、Taylor PA、Glen DR(2023年)。质量控制FMRI分析实践:哲学、方法和示例AFNI公司。前面。神经科学。16:1073800. doi:10.3389/fnins.2022.1073800
上述文章是作为研究主题的一部分创建的在FMRI中演示质量控制项目——描述其初始阶段,概述其对推进信息安全的贡献和一些建议在这里:
Taylor PA、Glen DR、Reynolds RC、Basavaraj A、Moraczewski D、,Etzel JA(2023年)。编辑:演示质量控制(QC)fMRI中的程序。前面。神经科学。17:1205928. doi(操作界面):10.3389/fnins.2023.1205928
如果您对FMRI中的详细质量控制讨论感兴趣,请参阅以下前沿研究主题项目页面和相关公众下载数据:
Taylor PA、Etzel JA、Glen D、Reynolds RC(2022年)。演示fMRI中的质量控制(QC)程序。
Taylor PA、Etzel JA、Glen D、Reynolds RC、Moraczewski D、BasavarajA(2022年)。FMRI开放式质量控制项目。内政部10.17605/OSF。IO/QAESM
如果使用左右翻转检查MRI的一致性数据(你应该!),请引用:
Glen DR、Taylor PA、Buchsbaum BR、Cox RW、Reynolds RC(2020). 小心MRI中常见的左右翻转数据:一种有效且稳健的MRI数据集检查方法使用AFNI的一致性。前面。神经信息学14。doi.org/10.3389/fninf.2020.00018
如果使用线性混合效应(LME)建模程序3dLME公司
或3dLMEr公司
在你的工作中,请引用:
Chen G、Saad ZS、Britton JC、Pine DS、Cox RW(2013年)。线性的FMRI群分析的混合效应建模方法。神经影像,73: 176-190.
如果使用多元建模(MVM)程序3dMVM(3dMVM)
在你的工作中(或者如果你想了解更多关于组内定心的信息还讨论了更多在这里),请引用/查看:
Chen G、Adleman NE、Saad ZS、Leibenluft E、Cox RW(2014)。多元建模在神经成像组中的应用分析:一元广义线性的综合替代方法模型。神经影像99:571-588。
如果使用混合效应元分析(MEMA)程序3dMEMA公司
在你的工作中,请引用:
Chen G、Saad ZS、Nath AR、Beauchamp MS、Cox RW(2012年)。结合效应估计及其方差的FMRI组分析。神经影像,60:747-765。
如果使用贝叶斯多级(BML)建模方法基于矩阵的分析工商管理硕士
程序,请引用:
Chen G、Burkner P-C、Taylor PA、Li Z、Yin L、Glen DR、Kinnison J、,Cox RW,Pessoa L(2019年)。基于矩阵的集成方法神经影像学分析。人脑映射,40(14):4072-4090。
如果使用贝叶斯多级(BML)建模方法基于区域的分析澳大利亚储备银行
程序,请引用:
Chen G、Xiao Y、Taylor PA、Rajendra JK、Riggins T、耿F、RedcayE、 Cox RW(2019)。神经成像中的多重性处理多层次建模贝叶斯透镜。神经信息学。17(4):515-545. doi:10.1007/s12021-018-9409-6
如果您在主题级别采用试验级建模方法然后在人口水平,请引用:
Chen G、Padmala S、Chen Y、Taylor PA、Cox RW、Pessoa L(2021)。收件人池或不池:我们可以忽略FMRI?神经影像225:117496。
如果您使用TRR公司
程序(或3dLMEr(3dLMEr) -TRR公司 ..
),请引用:
Chen G、Pine DS、Brotman MA、Smith AR、Cox RW、Haller SP(2021)。试错:一种分层建模的重测方法评估。《神经影像》245:118647。
如果在AFNI中通过三维国际商会
,请引用:
Chen G、Taylor PA、Haller SP、Kircanski K、Stoddard J、Pine DS、,Leibenluft E,Brotman MA,Cox RW(2018年)。类内相关性:改进的建模方法和应用程序神经影像学。Hum大脑映射。2018;39(3):1187-1206.
如果您使用三维ISC
关于主题间的相关性,请引用:
Chen G、Taylor PA、Shin YW、Reynolds RC、Cox RW(2017年)。解开标签相关性,第二部分:学科间相关性通过线性混合效应建模进行群体分析。神经成像147:825-840.
通过贝叶斯多级(BML)建模实现基于ROI的方法到ISC(学科间相关性)和自然主义FMRI
Chen G、PA Taylor、Qu X、Molfese PJ、Bandettini PA、Cox RW、Finn ES(2020). 解开相关性之间的关联,第三部分:基于贝叶斯多水平的学科间相关性分析自然扫描建模。神经影像216:116474。doi:10.1016/j.neuroimage.2019.116474
对于ISC(跨学科)的非参数(体素)方法相关性)和自然主义FMRI,您可能需要查看:
Chen GC、Shin Y-W、Taylor PA、Glen DR、Reynolds RC、Israel RB、Cox RW(2016). 解开相关性之间的关联,第一部分:非参数方法进行主题间相关性分析集团层面。神经影像142:248-259。doi:10.1016/j.neuroimage.2016.05.023
如果您使用1dSVAR公司
(结构化向量自回归),请引用:
Chen G、Glen DR、Saad ZS、Hamilton JP、Thomason ME、Gotlib IH、,Cox RW(2011)。向量自回归,结构方程神经影像数据的建模及其合成分析。计算机生物医学41(12):1142-55。doi(操作界面):2016年10月10日/j.compbioded2011.09.004。
如果使用3dClustSim等集群方法,3dt测试++
-Clustsim公司
,和/或混合自相关函数(ACF)请引用您工作中的平滑度估计:
Cox RW、Chen G、Glen DR、Reynolds RC、Taylor PA(2017年)。功能磁共振成像聚类和假阳性率。国家科学院程序美国114(17):E3370-E3371。doi:10.1073/pnas.1614961114
Cox RW、Chen G、Glen DR、Reynolds RC、Taylor PA(2017年)。金融市场研究所AFNI中的聚类:假阳性率回归。大脑连接7(3):152-171. doi:10.1089/brain.2016.0475。
如果在请引用您的工作:
Cox RW(2017)。公平阈值和聚类:一种新方法AFNI中的功能磁共振成像聚类方法。9(7):529-538. doi:10.1089/brain.2019.0666。
如果您使用FAT-MVM方法进行分组分析(结合FATCAT和多变量建模3dMVM(3dMVM)
),请引用(以及主要FATCAT文件,如上):
Taylor PA、Jacobson SW、van der Kouwe A、Molteno CD、Chen G、,Wintermark P、Alhamud A、Jacobson JL、Meintjes EM(2015)。A类基于DTI的脑结构影响的纤维束成像研究与新生儿产前酒精暴露相关。哼哼大脑映射。36(1):170-186. doi:10.1002/hbm.22620
Chen G、Adleman NE、Saad ZS、Leibenluft E、Cox RW(2014)。多元建模在神经成像组中的应用分析:一元广义线性的综合替代方法模型。神经影像99:571-588。
Taylor PA、Chen G、Cox RW、Saad ZS(2016)。开放环境多模式交互式连接可视化和分析。大脑连接。6,109–121. doi.org/10.1089/brain.2015.0363
如果使用本地皮尔逊相关性(lpc)或本地皮尔逊绝对(lpa)成本函数3d阿利亚特
,对齐_打印_属性.py
,afni_proc.py公司
,3dQ扭曲
,@S翘曲机
,@动画扭曲器
等),请引用:
Saad ZS、Glen DR、Chen G、Beauchamp MS、Desai R、Cox RW(2009年)。A类改进功能与结构MRI比对的新方法使用局部皮尔逊相关性。神经影像44839–848. doi:10.1016/j.neuroimage.2008.09.037
如果在AFNI中使用非线性翘曲3dQ扭曲
,请引用:
Cox RW,Glen DR(2013年)。AFNI中的非线性翘曲。演示时间:人类大脑绘图组织第19届年会。
如果您使用@动画扭曲器
(特别是用于动物研究中的比对),请引用:
Jung B、Taylor PA、Seidlitz PA、Sponheim C、Perkins P、UngerleiderLG、Glen DR、Messinger A(2021年)。综合猕猴FMRI管道和分层地图集。神经影像235:117997。
Saad ZS、Glen DR、Chen G、Beauchamp MS、Desai R、Cox RW(2009年)。A类改进功能与结构MRI比对的新方法使用局部皮尔逊相关性。神经影像44839–848. doi:10.1016/j.neuroimage.2008.09.037
如果您在AFNI中使用diffusion/DWI/DTI工具,请引用主要FATCAT文件:
Taylor PA,Saad ZS(2013)。FATCAT:(高效)功能和拖拉机连接性分析工具箱。大脑连接。三,523–535. doi.org/10.1089/brain.2013.0154
…如果您使用TORTOISE软件包基于扩散的处理(如DIFFPREP、DR_BUDDI等),然后拜托:
如果您使用微概率跟踪和/或SUMA拖拉机可视化,请引用(以及主要FATCAT和SUMA论文,以上):
Taylor PA、Chen G、Cox RW、Saad ZS(2016)。开放环境多模式交互式连接可视化和分析。大脑连接。6,109–121. doi.org/10.1089/brain.2015.0363网站
如果你在工作中使用概率或确定性牵引描记术具有3d曲目ID
,请引用(以及FATCAT的主要文件,以上):
Taylor PA、Cho K-H、Lin C-P、Biswal BB(2012)。改善DTI通过包括对角线传播的线迹法。公共科学图书馆7(9):e43415。
如果您使用DBSproc(用于脑深部刺激处理),请引用:
Lauro PM、Vanegas-Arroyave N、Huang L、Taylor PA、Zaghloul KA、,Lungu C、Saad ZS、Horovitz SG(2016年)。DBSproc:开源DBS电极定位和描记的过程分析。Hum大脑映射。37(1):422-433. doi:10.1002/hbm.23039
如果使用ALICE(颅内电极自动定位;一个用于数据集对齐、聚类和排序的接口ECOG和SEEG电极以及脑表面再投射使用CT和MRI成像),请引用:
Branco议员、Gaglianese A、Glen DR、Hermes D、Saad ZS、Petridou N、,Ramsey NF(2018)。ALICE:自动定位的工具临床和高密度颅内电极网格。《神经科学杂志》。方法301,43–51。doi(操作界面):2016年10月10日/j.jnumeth.2017.10.022
一种利用AFNI建立动态对比增强(DCE)MRI模型的方法脑肿瘤分析:
Sarin H、Kanevsky AS、Fung SH、Butman JA、Cox RW、Glen D、ReynoldsR、 Auh S(2009)。代谢稳定的缓激肽B2受体激动剂增强恶性脑血管内药物输送增加药物半衰期。J Transl公司医学7:33。doi:10.1186/1479-5876-7-33
测量脑FMRI数据对称性的数值方法:
Jo HJ、Saad ZS、Gotts SJ、Martin A、Cox RW(2012年)。量化半球间解剖与功能的一致性静息大脑中的通信。公共科学图书馆One 7:e48847。doi:10.1371/journal.pone.0048847
如果你对大脑的对称性仍感兴趣,请检查本文的方法论:
Gotts SJ、Jo HJ、Wallace GL、Saad ZS、Cox RW、Martin A(2013)。两个人脑中不同形式的功能性偏侧化。程序美国国家科学院110(36):E3435-E3444。doi:10.1073/pnas.1302581110
如果您对使用多回波/MEICA FMRI感兴趣,请参阅:
Kundu P、Brenowitz ND、Voon V、Worbe Y、Vertes PE、Inati SJ、Saad公司ZS、Bandettini PA、Bullmore ET(2013年)。综合战略利用多回波改进功能连通性映射功能磁共振成像。国家科学院程序美国110(40):16187-16192。doi:10.1073/pnas.1301725110
印度大脑模板(IBT)。我们呈现了一系列五个特定年龄段的人跨年龄段的大脑模板和随附图谱范围为6-60年。这些模板和地图集是从大量受试者(总数n=466),跨越大量并在多个3T MRI站点获得,使用名为制作模板任务.py
:
Holla B、Taylor PA、Glen DR、Lee JA、Vaidya N、Mehta UM、,Venkatasubramanian G、Pal P、Saini J、Rao NP、Ahuja C、Kuriyan R、,Krishna M、Basu D、Kalyanram K、Chakrabarti A、Orfanos DP、BarkerGJ、Cox RW、Schumann G、Bharath RD、Benegal V(2020年)。一系列五种特定人群的印度大脑模板和图谱年龄在6至60岁之间。人类大脑映射41(18):5164-5175。
哈斯金斯儿科图谱。哈斯金斯儿科模板和图册使用非线性方法从72儿童(年龄范围7-14岁,中位数10岁),允许带有标记地图集相应分区的详细模板区域。评估了这些模板和地图集的准确性使用变形距离和重叠的多个度量:
Molfese PJ、Glen D、Mesite L、Cox RW、Hoeft F、Frost SJ、Mencl WE、,Pugh KR,宾夕法尼亚州班德蒂尼(2020年)。哈斯金斯儿科图谱:a基于磁共振成像的儿科模板和地图集。儿科放射学(印刷中).内政部:10.1007/s00247-020-04875-y。
多峰绒猴资源。这个项目提供了一个新的资源用于绒猴大脑绘图,该绘图集成了最大的清醒状态迄今为止的静止状态fMRI数据集(39只绒猴,709只和12053只分钟),细胞级神经追踪数据集(52只绒猴和143只注射)和多分辨率扩散MRI数据集:
田X、陈毅、Majka P、Szczupak D、Perl YS、Yen CC、Tong C、SongK、 Jiang H、Glen D、Deco G、Rosa MGP、Silva AC、Liang Z、Liu C(2022). 功能和结构综合资源绒猴大脑的连通性。国家公社13(1):7416。doi:10.1038/s41467-022-35197-2。
绒猴图集v3。该项目提供了新的基于人口的基于多模态数据的活体内标准模板和工具包括多种类型的T1w和T2w对比图像的27只狨,DTI对比、大视场MRI和CT图像、图谱和曲面:
Liu C、Yen CC、Szczupak D、Tian X、Glen D、Silva AC(2021). 绒猴脑映射V3:人群多模式标准基于体积和曲面的模板。神经影像226:117620。
绒猴图集v2。该项目提供了一些最高的分辨率非人灵长类动物MRI模板和灰白图谱0.150 mm、0.060 mm、0.080 mm的多模MRI成像物质和0.050 mm空间分辨率:
Liu C、Ye FQ、Newman JD、Szczupak D、Tian X、Yen CC、Majka P、GlenD、 Rosa MGP,Leopold DA,Silva AC(2020年)。的资源绒猴白质通路的详细3D绘图大脑。《自然神经科学》23(2):271-280。doi:10.1038/s41593-019-0575-0。
绒猴图集v1:NIH绒猴。本地图集介绍了高分辨率皮层灰质模板和图谱0.150 mm(另见上文第2版绒猴图集):
Liu C、Ye FQ、Yen CC、Newman JD、Glen D、Leopold DA、Silva AC-A基于多模态MRI的绒猴脑三维数字图谱(2018). 神经影像学。169:106-116. doi(操作界面):2016年10月10日/j.neuroimage.2017.12.004。
D99地图集。根据Saleem猕猴地图集,本项目介绍了一种高分辨率数字MRI模板以及新的猕猴皮层区域的精细描绘:
Reveley C、Gruslys A、Ye FQ、Glen D、Samaha J、E Russ B、Saad Z、KSeth A、Leopold DA、Saleem KS(2017年)。三维数字猕猴大脑模板图谱。大脑皮层27(9):4463-4477. doi:10.1093/cercor/bhw248。
NMT v1:猕猴脑组模板。使用31中的数据猕猴,此模板为0.250毫米的猕猴(这是NMT v1;NMT v2见下文):
Seidlitz J、Sponheim C、Glen DR、Ye FQ、Saleem KS、Leopold DA、,Ungerleider L,Messinger A(2018年)。群体MRI大脑猕猴的模板和分析工具。神经影像170:121–31. doi:10.1016/j.neuroimage.2017.04.063。
NMT v2和CHARM:猕猴脑组模板和层次结构皮质图谱。本项目引入猕猴模板版本NMT v2使用立体视觉(耳背零)参考框架和结构区域标签的层次地图集(CHARM)页面,以获取有关模板和地图集和任务和休息FMRI演示):
Jung B、Taylor PA、Seidlitz PA、Sponheim C、Perkins P、UngerleiderLG Glen DR,Messinger A(2021年)。综合猕猴FMRI管道和分层地图集。神经影像235:117997。
SARM:分级皮质下地图集。皮质下地图集猕猴(SARM)的结构区域标签(请参阅这些有关相关信息的页面地图集及相关模板:
Hartig R、Glen D、Jung B、Logothetis NK、Paxinos G、,Garza-Villaryal EA、Messinger A、Evrard HC(2021年)。皮层下的猕猴神经影像图谱(SARM)。神经影像第235:117996页。
PRIME-RE:PRIMatE资源交换。在线协作非人灵长类动物(NHP)神经成像平台,包括AFNI工具(例如@动画扭曲器
和afni_proc.py公司
适用于猕猴数据集;参见上述al-Jung等人,2021年,以及这些页面了解更多信息相关信息模板和地图集和任务和休息FMRI演示):
Messinger A、Sirmpilatze N、Heuer K、Loh K、Mars R、Sein J、Xu T、,Glen D、Jung B、Seidlitz J、Taylor P、Toro R、Garza-Villareal E、,Sponheim C、Wang X、Benn A、Cagna B、Dadarwal R、Evrard H、,Garcia-Saldivar P、Giavasis S、Hartig R、Lepage C、Liu C、Majka P、,Merchant H、Milham M、Rosa M、Tasserie J、Uhrig L、Margulies D、,克林克PC(2021)。非人协作资源平台灵长类神经成像。神经影像,226:117519。
SC21(皮层下模板)和更新的D99:高分辨率猕猴地图集.使用组织学和高分辨率进行解剖描绘MAP-MRI(以及NIFTI和GIFTI格式的数据):
Saleem KS、Avram AV、Glen D、Yen CC-C、Ye FQ、Komlosh M、Basser PJ(2021). 皮层下高分辨率地图和数字地图集基于匹配MAP-MRI和组织学。神经影像245:118759。