XiaoMi-AI文件搜索系统
World File Search SystemFSL
amci23-102.pdf - 空军 - AF.mil
本指令实施 AFPD 23-1《供应链物资管理》，并制定 AMC 任务受损能力等待部件 (MICAP) 资产和非常非常重要的部件 (VVIP) 的移动政策和程序，以支持站外/途中的 AMC 任务。它适用于维护活动、前方供应地点 (FSL)、AMC 供应库存记录帐户、指挥和控制中心 (CCC)（包括但不限于指挥所、空中机动作战控制中心 (AMOCC) 和维护作战中心 (MOC)）、航空终端活动、AMC 交通管理航班 (TMF)、第十八航空队加油机空运控制中心后勤准备师 (618 AOC/GADM) 和机组人员。本出版物不适用于空军预备队、空军国民警卫队或美国太空部队。确保根据本出版物中规定的流程创建的所有记录均按照 DAFI 33-322《记录管理和信息治理计划》进行维护，并按照空军记录信息管理系统中的空军记录处置计划进行处置。使用 DAF 表格 847《出版物变更建议》将建议的变更和有关本出版物的问题提交给 OPR；将 DAF 表格 847 从现场发送到相应的职能指挥链。本出版物中放弃联队/单位级别要求的权限在合规声明后以层级（“T-0、T-1、T-2、T-3”）编号标识。有关与层级编号相关的权限的描述，请参阅 DAFMAN 90-161《发布流程和程序》表 A10.1。通过指挥链向相应的等级豁免审批机构提交豁免请求，或者，向出版物 OPR 提交非等级合规项目的豁免请求。请参阅附件 1 中的参考词汇表和支持信息。本出版物可能没有补充。
用于高级 fMRI 分析的用户友好型学习材料
先进的脑成像分析方法，包括多元模式分析 (MVPA)、功能连接和功能对齐，在过去十年中已成为认知神经科学的有力工具。这些工具以自定义代码和单独的程序包实现，通常需要不同的软件和语言能力。虽然专家研究人员可以使用，但新手用户面临着陡峭的学习曲线。这些困难源于使用新的编程语言（例如 Python）、学习如何将机器学习方法应用于高维 fMRI 数据以及极少的文档和培训材料。此外，大多数标准 fMRI 分析包（例如 AFNI、FSL、SPM）侧重于预处理和单变量分析，在如何与高级工具集成方面存在空白。为了满足这些需求，我们开发了 BrainIAK (brainiak.org)，这是一个开源 Python 软件包，它将几种尖端的、计算效率高的技术与其他 Python 包（例如 Nilearn、Scikit-learn）无缝集成，用于文件处理、可视化和机器学习。为了传播这些强大的工具，我们开发了用户友好的教程（Jupyter 格式；https://brainiak.org/tutorials/），以便更广泛地学习 BrainIAK 和 Python 中的高级 fMRI 分析。这些材料涵盖的技术包括：MVPA（模式分类和表征相似性分析）；并行探照灯分析；背景连接；全相关矩阵分析；受试者间相关性；受试者间功能连接；共享响应建模；使用隐马尔可夫模型进行事件分割；以及实时 fMRI。对于长时间运行的作业或大内存需求，我们提供有关高性能计算集群的详细指导。这些笔记本已在多个站点成功测试，包括作为耶鲁大学和普林斯顿大学课程的问题集以及各种研讨会和黑客马拉松。这些材料是免费共享的，希望它们成为开源软件和教育材料池的一部分，用于大规模、可重复的 fMRI 分析和加速发现。
CaCTüS 实习项目 2025
CaCTüS 实习项目 2025 这些项目按其主要关注点按主题排序： • 数据分析 • 人体实验 • 机器学习 • 神经科学 但是，大多数项目涉及多种方法和研究领域，因此建议您通读所有项目及其具体要求。 数据分析项目：优化超高分辨率 fMRI 以对人类前额叶皮质进行分层分析 项目 ID：DA-01 实验室：认知神经科学与神经技术 领域：数据分析、神经科学、人体实验 认知神经科学与神经技术实验室专注于加深我们对支撑人类高级认知和适应行为的前顶叶大脑网络机制的理解。为此，我们开展了一项跨学科研究计划，可以从多个粒度级别研究这个大脑系统。我们的方法涉及特定受试者的脑机接口技术、3T 和超高（即 7T 和 9.4T）磁场强度的 fMRI（用于解析皮质层）、EEG、非侵入性脑刺激以及计算建模和机器学习。作为实习生，您将参与超高分辨率 fMRI 的前沿研究，该研究允许在皮质层和柱的水平上研究人类皮质。您将探索不同 MR 采集序列在定位人类前额皮质中的层特定活动方面的优势和局限性。使用在 7T 下获取的现有数据集，您的工作将侧重于优化数据分析技术，重点是改善皮质表面配准或解决皮质层之间的信号偏差。通过这个项目，您将获得高级数据分析的实践经验，并深入了解这些技术如何提高 fMRI 研究的准确性。此外，您将被邀请参与正在进行的研究，包括有机会参加扫描会议并获得 9.4T MRI 数据采集的直接经验。这将提供对 fMRI 研究的实验和分析方面的全面了解。 必备技术技能 • 具有 Linux 和 Python 上的 Bash 的良好编码技能 • 具有 (f)MRI 数据和相应软件包的经验是可取的，但不是必需的（例如 Freesurfer、FSL、SPM） • 具有高性能计算集群和代码共享平台（例如 GitHub）的经验是可取的，但不是必需的
任务诱发的杏仁核—前额叶回路的年龄相关变化：采用 4-22 岁加速纵向队列的多元宇宙方法
图 2 杏仁核反应性与年龄相关变化的多元宇宙分析。（a）。恐惧与年龄相关变化的规格曲线 > 基线杏仁核反应性。点表示估计的线性年龄相关变化，线表示相应的 95% 后验区间 (PI)。模型按与年龄相关的变化估计值排序，虚线表示所有规格的中值估计值。颜色表示 beta 估计值的符号以及相应的后验区间是否包含 0（红色 = 不包括 0 的负数；蓝色 = 包括 0 的负数，绿色 = 包括 0 的正数，黑色 = 所有规格的中位数）。（b）。A 中每个模型对应的模型规格信息。y 轴上的变量表示分析选择，相应的颜色标记表示已做出选择，空白处表示在给定的分析中未做出选择。在每个类别面板（杏仁核 ROI、组级模型和参与者级模型）中，决策点按做出相应选择时的中位模型排名从上到下排序（即，每个面板顶部的选择往往具有更负面的与年龄相关的变化估计值）。带有误差线的黑点表示在相应线上指示的做出选择的规范的中位数和 IQR 排名。（c）。参与者级数据和模型预测的与年龄相关的杏仁核反应性变化的示例，包括恐惧 > 基线（绿色）和中性基线（橙色）。数据显示为使用原生空间双侧杏仁核掩模、24 个运动回归器、t 统计量、高通滤波和 FSL 中的参与者级 GLM 的预注册管道。点表示参与者级估计值，浅线连接多次研究访问的参与者的估计值，带有阴影区域的暗线表示模型预测和 95% 后验区间。（d）。一组模型的规格曲线分别参数化参与者内（右）与参与者间（左）的年龄相关变化，包括恐惧 > 基线（绿色）和中性 > 基线（橙色）对比，以及跨规格的中位数（黑色）。请参阅 https://pbloom.shinyapps.io/amygdala_mpfc_multiverse/ 了解交互式可视化
BrainForge：用于综合神经影像采集、分析和共享的在线数据分析平台
1. Morita T、Asada M、Naito E。神经影像学研究对理解人类认知大脑功能发展的贡献。Front Hum Neurosci。2016；10：464。doi：10.3389/fnhum.2016.00464 2. Bandettini PA。神经影像学方法有什么新进展？Ann NY Acad Sci。2009；1156：260-293。doi：10.1111/j.1749-6632.2009.04420.x 3. Verner E、Baker BT、Bockholt J 等人。使用 BrainForge 加速神经影像学研究。Gateways 2020，会议改善生物医学研究的数据使用； 2020 年 10 月 21 日。4. Poldrack RA、Baker CI、Durnez J 等人。扫描地平线：迈向透明和可重复的神经影像学研究。Nat Rev Neurosci。2017；18(2):115-126。doi: 10.1038/nrn.2016.167 5. Gorgolewski K、Poldrack R。提高神经影像学研究透明度和可重复性的实用指南。PLOS Biol。2016；14:e1002506。doi: 10.1371/journal.pbio.1002506 6. Baker M。1,500 名科学家揭开可重复性的面纱。Nature。2016；533(7604):452-454。 doi: 10.1038/533452a 7. Scott A、Courtney W、Wood D 等人。COINS：为大型异构数据集构建的创新信息学和神经成像工具套件。Front Neuroinform。2011；5：33。doi: 10.3389/fninf.2011.00033 8. Yoo AB、Jette MA、Grondona M。SLURM：用于资源管理的简单 Linux 实用程序。引自：Feitelson D、Rudolph L、Schwiegelshohn U 编。并行处理的作业调度策略。JSSPP 2003。计算机科学讲义。Springer；2003：44-60。9. Avesani P、McPherson B、Hayashi S 等人。开放扩散数据衍生物、通过衍生物的集成发布和可复制的开放云服务进行脑数据升级。 Sci Data 。2019；6(1)：69。doi：10.1038/s41597-019-0073-y 10. Flywheel。为医疗和研究领域的数字化转型提供动力。2021 年 5 月 14 日访问。flywheel.io 11. Kurtzer GM、Sochat V、Bauer MW。Singularity：用于移动计算的科学容器。PLoS One。2017；12(5)：e0177459。doi：10.1371/journal.pone。0177459 12. Merkel D。Docker：用于一致开发和部署的轻量级 Linux 容器。Linux J 。2014；239：2。13. Ashburner J、Barnes G、Chen CC 等人。SPM12 手册。第 2464 卷。威康信托神经影像中心；2014 年。14. Smith SM、Jenkinson M、Woolrich MW 等人。功能性和结构性 MR 图像分析进展以及作为 FSL 的实现。神经影像。2004 年；23 (Suppl 1)：S208-S219。doi: 10.1016/j.neuroimage.2004.07.051 15. Cox RW。AFNI：用于分析和可视化功能性磁共振神经影像的软件。Comput Biomed Res。1996 年；29(3)：162-173。doi: 10. 1006/cbmr.1996.0014 16. Cox RW、Hyde JS。用于分析和可视化 fMRI 数据的软件工具。NMR Biomed。 1997；10(4–5)：171-178。doi：10.1002/(SICI)1099- 1492(199706/08)10:4/5<171::AID-NBM453>3.0.CO；2-L 17. fMRI 工具箱的 Group ICA (v4.0c)。神经影像和数据科学转化研究中心。2021 年 5 月 6 日访问。https://trendscenter. org/software/gift/ 18. TReNDS 中心。Docker, Inc.访问日期：2022 年 1 月 13 日。https://hub.docker.com/orgs/trendscenter/repositories 19. 神经影像和数据科学转化研究中心。GitHub, Inc. https://github.com/trendscenter/ 20. Gorgolewski K、Burns CD、Madison C 等人。Nipype：一个灵活、轻量且可扩展的 Python 神经影像数据处理框架。Front Neuroinform。2011；5：13。doi：10.3389/fninf.2011.00013 21. GorgolewskiKJ、AuerT、CalhounVD 等人。Thebrainimagingdatastructure，一种组织和描述神经影像实验输出的格式。Sci Data。2016；3(1)：160044。 doi: 10.1038/sdata.2016.44 22. FosterI.Globusonline：通过云服务加速和民主化科学。IEEEInternetComput。2011；15(3)：70-73。doi: 10.1109/MIC。2011.64 23. Allen B、Bresnahan J、Childers L 等人。面向数据科学家的软件即服务。Commun ACM。2012；55(2)：81-88。doi: 10.1145/2076450.2076468 24. Calhoun VD、Adali T、Pearlson GD、Pekar JJ。一种使用独立成分分析从功能性 MRI 数据进行组推断的方法。Hum Brain Mapp。2001；14(3)：140-151。 doi: 10.1002/hbm.1048 25. Allen E、Erhardt E、Damaraju E 等。静息状态网络多变量比较的基线。Front Syst Neurosci。2011；5：2。doi: 10.3389/ fnsys.2011.00002 26. Allen EA、Damaraju E、Plis SM、Erhardt EB、Eichele T、Calhoun VD。跟踪静息状态下的全脑连接动态。大脑皮层。2014；24(3)：663-676。doi: 10.1093/cercor/bhs352 27. Ashburner J、Friston KJ。基于体素的形态测量——方法。神经影像学。2000；11(6)：805-821。 doi: 10.1006/nimg.2000.0582 28. Fischl B. FreeSurfer。神经影像学。2012；62(2):774-781。doi: 10.1016/j.neuroimage.2012.01.021 29. Andersson JLR、Sotiropoulos SN。一种用于校正扩散 MR 成像中的偏共振效应和受试者运动的综合方法。神经影像学。2016；125:1063-1078。doi: 10.1016/j.neuroimage.2015.10.019 30. Andersson JL、Skare S、Ashburner J。如何校正自旋回波平面图像中的磁化率畸变：应用于扩散张量成像。神经影像学。 2003；20(2):870-888。doi: 10.1016/s1053-8119(03)00336-7 31. Andersson JLR、Graham MS、Drobnjak I、Zhang H、Filippini N、Bastiani M。面向扩散 MR 图像运动和失真校正的综合框架：体积运动内。神经影像学。2017；152:450-466。doi: 10.1016/j.neuroimage.2017.02.085 32. CalhounVinceD、MillerR、PearlsonG、Adal 𝚤 T。Thechronnectome：时变连接网络作为fMRIdatadiscovery 的下一个前沿。神经元。2014；84(2):262-274。 doi: 10.1016/j.neuron.2014.10.015 33. Du Y、Fu Z、Sui J 等人。NeuroMark：一种基于自动化和自适应 ICA 的管道，用于识别可重复的 fMRI 脑部疾病标记物。神经影像：临床。2020；28：102375。doi: 10.1016/j.nicl.2020.102375 34. Griffanti L、Zamboni G、Khan A 等人。BIANCA（脑强度异常分类算法）：一种用于自动分割白质高信号的新型工具。神经影像学。2016；141：191-205。doi：10.1016/j.neuroimage.2016.07.018