segment/normalize (using VBM toolboxe - no links between parameters)

Paramètres

MRI_Nat: Volume 4D ( entrée )
MRI_Mni_tpmSeg: Volume 4D ( entrée )
spmJobName: String ( input )
ngaus: String ( input )
Gaussiennes par classe Le nombre de gaussiennes utilisées pour représenter la distribution d'intensité pour chaque classe de tissu peut être supérieur à un. En d'autres termes, une carte de probabilité de tissu ne peut être partagée par plusieurs groupes. L'hypothèse d'une distribution gaussienne unique pour chaque classe ne tient pas pour un certain nombre de raisons. En particulier, un voxel peut ne pas être d'un type purement tissu, et à la place du signal de contenir un certain nombre de différents tissus (effets de volume partiel). Certains voxels de volume partiel pourrait tomber à l'interface entre les différentes classes, ou ils risquent de tomber au milieu de structures telles que le thalamus, qui peut être considéré comme étant soit la matière grise ou blanche. Diverses autres méthodes de segmentation d'image utilisent des clusters supplémentaires à modéliser ces effets de volume partiel. Il s'agit généralement supposer qu'une classe tissu pur a une répartition d'intensité gaussienne, tandis que les distributions d'intensité des voxels du volume partiel sont plus larges, qui tombe entre les intensités des classes pures. Contrairement à ces approches partielles de segmentation de volume, le modèle adopté ici suppose simplement que la distribution d'intensité de chaque classe ne peut pas être gaussienne, et assigne appartenant probabilités en fonction de ces distributions non gaussiennes. Nombres typiques de gaussiennes pourrait être deux pour la matière grise, matière blanche deux pour, deux pour le LCR, et quatre pour tout le reste.
biasreg: Choice ( input )
biais de régularisation IRM sont généralement altéré par une surface lisse, artefact variant spatialement qui module l'intensité de l'image (polarisation). Ces artefacts, bien que généralement pas un problème pour l'inspection visuelle, peut entraver le traitement automatisé des images. Une question importante concerne la distinction entre les variations d'intensité qui découlent du fait d'un artefact biais dû à la physique de M. balayage, et ceux qui se posent en raison des propriétés des tissus différents. L'objectif est de modéliser celle-ci par les classes de tissus différents, tandis que la modélisation de l'ancien avec un champ de polarisation. Nous savons a priori que les variations d'intensité dues à la physique MR ont tendance à être spatialement lisse, tandis que celles dues aux différents types de tissus ont tendance à contenir des informations de fréquence plus élevée. Une estimation plus précise d'un champ de polarisation peut être obtenue par y compris les connaissances sur la répartition des domaines susceptibles d'être rencontrées par l'algorithme de correction. Par exemple, si l'on sait qu'il ya peu ou pas d'intensité non-uniformité, il serait sage de pénaliser les grandes valeurs de l'intensité non-uniformité des paramètres. Cette régularisation peut être placé dans un cadre bayésien, par lequel la peine encourue est le logarithme négatif d'une probabilité a priori pour tout motif notamment de la non-uniformité.
saveBias: Choice ( input )
biasCorrected: Volume 4D ( optional, sortie )
biais Corrigé Il s'agit de la possibilité de produire un biais version corrigée de votre image. IRM sont généralement altéré par une surface lisse, artefact variant spatialement qui module l'intensité de l'image (polarisation). Ces artefacts, bien que généralement pas un problème pour l'inspection visuelle, peut entraver le traitement automatisé des images. Le biais version corrigée devrait avoir des intensités plus uniformes dans les différents types de tissus.
biasfwhm: Choice ( input )
Bias FWHM FWHM de lissage gaussien de partialité. Si l'intensité de votre non-uniformité est très lisse, puis choisissez une FWHM grande. Cela permettra d'éviter l'algorithme d'essayer de modéliser les variations d'intensité due à différents types de tissus. Le modèle de l'intensité de la non-uniformité est l'un des iid gaussienne
affreg: Choice ( input )
Régularisation affine La procédure est une optimisation locale, donc il a besoin raisonnables premières estimations de départ. Les images doivent être placées en alignement approximatif à l'aide de la fonction d'affichage du SPM avant de commencer. Une information mutuelle enregistrement affine avec les cartes de probabilité de tissus (D'Agostino et al, 2004) est utilisée pour obtenir un alignement approximatif. Notez que cette étape ne comprend pas tous les modèles de l'intensité de non-uniformité. Cela signifie que si la procédure doit être initialisé avec l'enregistrement affine, alors les données ne doivent pas être trop corrompu avec ce artifact.If il ya beaucoup d'intensité non-uniformité, puis positionner manuellement votre image afin d'obtenir des estimations plus proche de départ et désactiver? l'enregistrement affine. Inscription dans un espace affine standard peut être rendue plus robuste par régularisation (étirement excessif pénaliser ou diminue). Les meilleures solutions peuvent être obtenues en connaissant la quantité approximative d'étirement qui est nécessaire (par exemple, des modèles de missiles balistiques intercontinentaux sont légèrement plus grandes que les cerveaux typiques, donc plus les zooms sont susceptibles d'être nécessaires). Par exemple, si vous vous abonnez à une image dans ICBM / INM espace, puis choisissez cette option. Si vous vous inscrivez à un modèle qui est proche de la taille, puis sélectionnez l'option appropriée pour cela.
warpreg: String ( input )
Régularisation déformation La fonction objective de l'enregistrement des cartes de probabilité de tissus pour l'image à traiter, en volves minimisant la somme des deux termes. Un terme donne une fonction de la façon dont les données sont probables compte tenu des paramètres de déformation. L'autre est une fonction de la façon dont les paramètres sont probables, et prévoit une pénalité pour les déformations improbables. Lisses déformations sont considérées comme plus probable. Le montant de la régularisation détermine la Tradeo? entre les termes. Choisissez une valeur autour de celui-ci. Toutefois, si vos images normalisées être déformés, alors il peut être une bonne idée d'augmenter le montant de régularisation (d'un ordre de grandeur). Plus régularisation donne lisses déformations, où la mesure de régularité est déterminée par l'énergie de flexion de les déformations.
samp: String ( input )
la distance d'échantillonnage Ce code la distance approximative entre les points échantillonnés lors de l'estimation des parrameters modèle. Des valeurs plus petites utiliser davantage les données, mais la procédure est lente et nécessite plus de mémoire. Déterminer le meilleur \ "réglage implique un compromis entre vitesse et précision
norm: Choice ( input )
DartelTemplate: Dartel Template ( optional, sortie )
sanlm: Choice ( input )
Utilisez SANLM filtre de débruitage Cette fonction s'applique une adaptation des moyens non spatiales locales débruitage filtre aux données. Ce filtre va supprimer le bruit tout en préservant les contours. La taille de lissage du filtre est automatiquement estimée sur la base de la variance locale de l'image.
mrf: String ( input )
Paramètre MRF Lorsque les images des tissus de classe sont écrits, quelques itérations d'un champ de Markov aléatoire simple, (MRF) procédure de nettoyage sont exécutés. Ce paramètre contrôle l'intensité de l'IRM. Réglage de la valeur à zéro désactive le nettoyage.
cleanup: Choice ( input )
Nettoyez toutes les partitions Celui-ci utilise une routine brut pour extraire le cerveau de segmentedimages. Il commence par prendre la substance blanche, et d'éroder l'acouple de fois pour se débarrasser de tous les voxels impaires. Les algorithmcontinues sur faire des dilatations avec sursis pour plusieurs itérations, lorsque l'état est basé sur la matière grise ou blanche étant present.This région identifiée est ensuite utilisé pour nettoyer le gris et whitematter partitions, et présente une légère uences de la partition CSF. Si vous avez trouvé des morceaux de cerveau étant coupés dans vos données, vous pouvez désactiver ou atténuer la procédure de nettoyage.
pprint: String ( input )
grey_native: Choice ( input )
grey_nat: Volume 4D ( sortie )
grey_warped: Choice ( input )
grey_Mni: Volume 4D ( sortie )
grey_modulated: Choice ( input )
Modulée normalisée "Modulation'' est de compenser l'effet de la normalisation spatiale. La normalisation spatiale provoque des changements de volume dues à la transformation affine (mise à l'échelle mondiale) et la déformation non-linéaire (changement de volume local). La valeur par défaut SPM est d'ajuster la matière grise espace normalisé (ou autre tissu de classe) à l'aide de deux termes et les images résultantes modulés sont conservés pour la quantité totale de matière grise. Ainsi, des images modulées tenir compte des volumes de matière grise avant la normalisation spatiale. Toutefois, l'utilisateur est souvent intéressés par enlever le confondre de tailles différentes du cerveau et il ya de nombreuses façons d'appliquer cette correction. Nous pouvons utiliser la quantité totale de GM, GM + WM, GM + WM + CSF, ou manuel total estimé du volume intracrânien (TIV). Paramètres thèses peuvent être modélisés comme des paramètres de nuisance (effets additifs) dans un modèle d'analyse de covariance ou utilisés à l'échelle mondiale à l'échelle les données (effets multiplicateurs): Interprétation Correction ------------------------ le volume n'a rien d'absolu le volume globales par rapport au total après correction pour GM ou TIV (effets multiplicateurs) ANCOVA volume relatif qui ne peut être expliqué par le total de GM ou TIV (effets additifs) Je suggère une autre option pour supprimer les effets confondants de tailles différentes du cerveau. Images modulés peuvent éventuellement être sauvé par la correction des déformations non linéaires uniquement. Les variations de volume dues à la normalisation affine sera pas considéré et ceci équivaut à l'utilisation de la modulation par défaut et des données de mesurage à l'échelle mondiale selon le facteur d'échelle inverse en raison de normalisation affine. Je recommande cette option si votre hypothèse est d'environ effets de volumes relatifs qui sont corrigées pour les tailles différentes du cerveau. Il s'agit d'une hypothèse largement utilisé et doit s'adapter à la plupart des données. L'idée derrière cette option est mise à l'échelle de la normalisation affine est en effet une multiplicatif (gain) et nous avons plutôt l'effet appliquer cette correction à nos données et non pas à notre modèle statistique. Ces images modulées sont indiqués par "m0" au lieu de "m".
grey_dartel: Choice ( input )
wm_native: Choice ( input )
white_Nat: Volume 4D ( sortie )
wm_warped: Choice ( input )
wm_modulated: Choice ( input )
Modulée normalisée "Modulation'' est de compenser l'effet de la normalisation spatiale. La normalisation spatiale provoque des changements de volume dues à la transformation affine (mise à l'échelle mondiale) et la déformation non-linéaire (changement de volume local). La valeur par défaut SPM est d'ajuster la matière grise espace normalisé (ou autre tissu de classe) à l'aide de deux termes et les images résultantes modulés sont conservés pour la quantité totale de matière grise. Ainsi, des images modulées tenir compte des volumes de matière grise avant la normalisation spatiale. Toutefois, l'utilisateur est souvent intéressés par enlever le confondre de tailles différentes du cerveau et il ya de nombreuses façons d'appliquer cette correction. Nous pouvons utiliser la quantité totale de GM, GM + WM, GM + WM + CSF, ou manuel total estimé du volume intracrânien (TIV). Paramètres thèses peuvent être modélisés comme des paramètres de nuisance (effets additifs) dans un modèle d'analyse de covariance ou utilisés à l'échelle mondiale à l'échelle les données (effets multiplicateurs): Interprétation Correction ------------------------ le volume n'a rien d'absolu le volume globales par rapport au total après correction pour GM ou TIV (effets multiplicateurs) ANCOVA volume relatif qui ne peut être expliqué par le total de GM ou TIV (effets additifs) Je suggère une autre option pour supprimer les effets confondants de tailles différentes du cerveau. Images modulés peuvent éventuellement être sauvé par la correction des déformations non linéaires uniquement. Les variations de volume dues à la normalisation affine sera pas considéré et ceci équivaut à l'utilisation de la modulation par défaut et des données de mesurage à l'échelle mondiale selon le facteur d'échelle inverse en raison de normalisation affine. Je recommande cette option si votre hypothèse est d'environ effets de volumes relatifs qui sont corrigées pour les tailles différentes du cerveau. Il s'agit d'une hypothèse largement utilisé et doit s'adapter à la plupart des données. L'idée derrière cette option est mise à l'échelle de la normalisation affine est en effet une multiplicatif (gain) et nous avons plutôt l'effet appliquer cette correction à nos données et non pas à notre modèle statistique. Ces images modulées sont indiqués par "m0" au lieu de "m".
wm_dartel: Choice ( input )
csf_native: Choice ( input )
csf_Nat: Volume 4D ( sortie )
csf_warped: Choice ( input )
csf_modulated: Choice ( input )
Modulée normalisée "Modulation'' est de compenser l'effet de la normalisation spatiale. La normalisation spatiale provoque des changements de volume dues à la transformation affine (mise à l'échelle mondiale) et la déformation non-linéaire (changement de volume local). La valeur par défaut SPM est d'ajuster la matière grise espace normalisé (ou autre tissu de classe) à l'aide de deux termes et les images résultantes modulés sont conservés pour la quantité totale de matière grise. Ainsi, des images modulées tenir compte des volumes de matière grise avant la normalisation spatiale. Toutefois, l'utilisateur est souvent intéressés par enlever le confondre de tailles différentes du cerveau et il ya de nombreuses façons d'appliquer cette correction. Nous pouvons utiliser la quantité totale de GM, GM + WM, GM + WM + CSF, ou manuel total estimé du volume intracrânien (TIV). Paramètres thèses peuvent être modélisés comme des paramètres de nuisance (effets additifs) dans un modèle d'analyse de covariance ou utilisés à l'échelle mondiale à l'échelle les données (effets multiplicateurs): Interprétation Correction ------------------------ le volume n'a rien d'absolu le volume globales par rapport au total après correction pour GM ou TIV (effets multiplicateurs) ANCOVA volume relatif qui ne peut être expliqué par le total de GM ou TIV (effets additifs) Je suggère une autre option pour supprimer les effets confondants de tailles différentes du cerveau. Images modulés peuvent éventuellement être sauvé par la correction des déformations non linéaires uniquement. Les variations de volume dues à la normalisation affine sera pas considéré et ceci équivaut à l'utilisation de la modulation par défaut et des données de mesurage à l'échelle mondiale selon le facteur d'échelle inverse en raison de normalisation affine. Je recommande cette option si votre hypothèse est d'environ effets de volumes relatifs qui sont corrigées pour les tailles différentes du cerveau. Il s'agit d'une hypothèse largement utilisé et doit s'adapter à la plupart des données. L'idée derrière cette option est mise à l'échelle de la normalisation affine est en effet une multiplicatif (gain) et nous avons plutôt l'effet appliquer cette correction à nos données et non pas à notre modèle statistique. Ces images modulées sont indiqués par "m0" au lieu de "m".
csf_dartel: Choice ( input )
deFld: Volume 4D ( sortie )
invDeFld: Volume 4D ( sortie )
deFld_segMat: Matlab SPM file ( sortie )
generateJacobianDeterminant: Choice ( input )
jacobianDeterminant: Volume 4D ( sortie )

Informations techniques

Toolbox : Outils

Niveau d'utilisateur : 2

Identifiant : segment_VBM_noLinks

Nom de fichier : brainvisa/toolboxes/tools/processes/spm/segment_VBM_noLinks.py

Supported file formats :

MRI_Nat :
GIS image, VIDA image, NIFTI-1 image, MINC image, gz compressed MINC image, DICOM image, TIFF image, XBM image, PBM image, PGM image, BMP image, XPM image, PPM image, gz compressed NIFTI-1 image, TIFF(.tif) image, ECAT i image, PNG image, JPEG image, MNG image, GIF image, SPM image, ECAT v image
MRI_Mni_tpmSeg :
GIS image, VIDA image, NIFTI-1 image, MINC image, gz compressed MINC image, DICOM image, TIFF image, XBM image, PBM image, PGM image, BMP image, XPM image, PPM image, gz compressed NIFTI-1 image, TIFF(.tif) image, ECAT i image, PNG image, JPEG image, MNG image, GIF image, SPM image, ECAT v image
biasCorrected :
GIS image, VIDA image, NIFTI-1 image, MINC image, gz compressed MINC image, DICOM image, TIFF image, XBM image, PBM image, PGM image, BMP image, XPM image, PPM image, gz compressed NIFTI-1 image, TIFF(.tif) image, ECAT i image, PNG image, JPEG image, MNG image, GIF image, SPM image, ECAT v image
DartelTemplate :
GIS image, VIDA image, NIFTI-1 image, MINC image, gz compressed MINC image, DICOM image, TIFF image, XBM image, PBM image, PGM image, BMP image, XPM image, PPM image, gz compressed NIFTI-1 image, TIFF(.tif) image, ECAT i image, PNG image, JPEG image, MNG image, GIF image, SPM image, ECAT v image
grey_nat :
GIS image, VIDA image, NIFTI-1 image, MINC image, gz compressed MINC image, DICOM image, TIFF image, XBM image, PBM image, PGM image, BMP image, XPM image, PPM image, gz compressed NIFTI-1 image, TIFF(.tif) image, ECAT i image, PNG image, JPEG image, MNG image, GIF image, SPM image, ECAT v image
grey_Mni :
GIS image, VIDA image, NIFTI-1 image, MINC image, gz compressed MINC image, DICOM image, TIFF image, XBM image, PBM image, PGM image, BMP image, XPM image, PPM image, gz compressed NIFTI-1 image, TIFF(.tif) image, ECAT i image, PNG image, JPEG image, MNG image, GIF image, SPM image, ECAT v image
white_Nat :
GIS image, VIDA image, NIFTI-1 image, MINC image, gz compressed MINC image, DICOM image, TIFF image, XBM image, PBM image, PGM image, BMP image, XPM image, PPM image, gz compressed NIFTI-1 image, TIFF(.tif) image, ECAT i image, PNG image, JPEG image, MNG image, GIF image, SPM image, ECAT v image
csf_Nat :
GIS image, VIDA image, NIFTI-1 image, MINC image, gz compressed MINC image, DICOM image, TIFF image, XBM image, PBM image, PGM image, BMP image, XPM image, PPM image, gz compressed NIFTI-1 image, TIFF(.tif) image, ECAT i image, PNG image, JPEG image, MNG image, GIF image, SPM image, ECAT v image
deFld :
GIS image, VIDA image, NIFTI-1 image, MINC image, gz compressed MINC image, DICOM image, TIFF image, XBM image, PBM image, PGM image, BMP image, XPM image, PPM image, gz compressed NIFTI-1 image, TIFF(.tif) image, ECAT i image, PNG image, JPEG image, MNG image, GIF image, SPM image, ECAT v image
invDeFld :
GIS image, VIDA image, NIFTI-1 image, MINC image, gz compressed MINC image, DICOM image, TIFF image, XBM image, PBM image, PGM image, BMP image, XPM image, PPM image, gz compressed NIFTI-1 image, TIFF(.tif) image, ECAT i image, PNG image, JPEG image, MNG image, GIF image, SPM image, ECAT v image
deFld_segMat :
Matlab file
jacobianDeterminant :
GIS image, VIDA image, NIFTI-1 image, MINC image, gz compressed MINC image, DICOM image, TIFF image, XBM image, PBM image, PGM image, BMP image, XPM image, PPM image, gz compressed NIFTI-1 image, TIFF(.tif) image, ECAT i image, PNG image, JPEG image, MNG image, GIF image, SPM image, ECAT v image