前言  k空间是核磁共振成像图像重建的核心，可能很多人像笔者一样第一次学时会非常疑惑，为何k空间是图像的频域空间，观其填充过程，明明是空域信号的采样填充呀。网上很少有文章讨论这个问题，所以笔者在此写下自己的理解，供大家参考。MRI位置编码  现在的MRI一次扫描的是一个断层或者多个断层，所谓断层就是一个有厚度的面，通过z方向梯度场来选择。我们扫描一个断层的目的是为了获得该断层各位置的质子情况，它们

图像重采样这个词，可能许多人都会觉得陌生。但是图像放大，图像缩小，图像旋转，图像错切等这些我们熟悉操作背后，增多、减少和移位的像素点值的确定，其实都是通过重采样（resample）来完成的。数字图像，是对连续的模拟图像采样后的结果，而由插值理论我们可以知道，由有限像素点的数字图像，我们可以插值出近似的模拟图像。再对该模拟图像按照要求的采样间隔采样，就可以得到重采样的结果。常用的插值方法有线性插值，

grpcio, markdown, pyasn1, rsa, pyasn1-modules, cachetools, google-auth, tensorboard-plugin-wit, urllib3, idna, chardet, requests, oauthlib, requests-oauthlib, google-auth-oauthlib, absl-py, werkzeug,.

前言   这两天正好在学习Docker，于是把学习心得记录在这里，同为初学，若有表述错误的地方，还望不吝指出。对于Docker，其官方文档上有一段这样的描述：借助Docker，您可以以与管理应用程序相同的方式来管理基础架构。通过利用Docker的方法来快速交付，测试和部署代码，您可以大大减少编写代码和在生产环境中运行代码之间的延迟。   回想一下我们是怎样管理应用程序的，或许是push到githu

  这已经是笔者第三篇关于FSL的文章了，足以见其有多么难缠。用官网给的方法，不仅下载慢，而且失败的概率大于99%。所以笔者采用了这篇博客给出的办法，但是这个办法有一个bug，那就是安装完成之后，fsleyes缺失，即fsleyes not found，经过反复试验，最终笔者可以非常顺利的修复fsleyes缺失的问题，现记录在此供大家参考。  操作系统：ubuntu20.04/centos8/ce

前言  对docker容器中软件的操作，是基于命令行的，这就导致了习惯图形化界面的人比较难以使用docker，而它又是一个神器，所以很难受。一般情况下，可以给容器安装一个桌面环境，然后用类似VNC的方法去远程访问它。但是容器在服务器上时，我们大多数时候并不希望给它安装桌面环境，如果有程序需要操作图形界面时，多用X视窗系统，将该软件的图形界面转移到远程服务端。X是一种协议，当前版本为11，俗称X11

前言  还记得去年听台湾大学的李宏毅老师讲他的宝可梦的时候，他谈到他至今没有去考驾照，因为他在等无人驾驶。当时笔者的感受是，我们可真是同道中人，作为无人驾驶的坚定拥护者，并且觉得自己未来还能为该领域的发展做出贡献的人，笔者的确有点get不到开车的乐趣。可现在终究是去学了，不是因为想赚学分，不是因为家长的劝导，更不是因为工作的需要，而是因为一个女孩，或许只有这样的理由才符合笔者放荡不羁的心性。还有两

脑影像分析中，我们常常会针对性的对某些感兴趣区域进行分析，而对它们进行分析的前提是获取该区域的mask。感兴趣区域可以用以某些坐标为球心的球形区域定义，也可以用脑图谱上对应的某些脑区定义，其中，后者是较为常见的，也是我们今天要讨论的。脑图谱是一类特殊脑影像，它的每一个位置上不是信号值，而是脑区编号（标签），这也就意味着我们可以通过感兴趣区域的脑区编号，得到对应的感兴趣区域位置的集合，它也就是感兴趣

   分析大脑解剖学差异最常用方法之一是基于体素的形态学方法（voxel-based morphometry, VBM）。 VBM的基本思想是测量大脑组织，尤其是灰质的局部浓度的差异。在大脑的每个体素处进行操作，然后在两个或多个实验组之间进行统计比较，从而在受调查的组之间建立特定大脑区域中脑组织浓度的统计学显着差异。 VBM分析基于（高分辨率）MRI脑部扫描，涉及大量处理步骤，主要是空间归一化，分

一个连接由节点和连接强度（边）组成。功能连接中的节点可以是单个体素，也可以是由脑图谱定义的脑区ROI。通常的做法是将脑图谱中多个或者全部ROI作为节点，或者是将脑图谱中单个ROI与全脑体素作为节点。定义连接强度（边），最常用的方式是Pearson相关，两个节点之间可能没有物理连接，但如果他们的BOLD信号同步性很强，则它们之间可能存在很强的功能上的协作，即很强的功能连接，这是一个很好的表征两个节点