复制FSL的fMRI数据分析通过Nipype:相关性,挑战和解决方案
Yibei Chen1, Frederic R Hopp2, Musa Malik1
1Media Neuroscience Lab, Department of Communication, College of Letters and Science, University of California, Santa Barbara, Santa Barbara, CA, United States.
Frontiers in neuroimaging
|August 9, 2023
概括
神经科学研究面临着复制危机. 本研究介绍了使用Nipype和FSL进行可复制的神经成像分析,提供代码以确保在不同软件环境中获得一致的结果.
科学领域:
- 神经科学是一个神经科学.
- 计算神经科学是一种神经科学.
- 神经成像分析分析 神经成像分析
背景情况:
- 神经科学中的复制危机凸显了数据分析中的可复制性问题.
- 结果的变化可能源于操作系统,软件包及其版本的差异.
- 尼皮旨在通过整合各种神经成像软件包来提高可复制性.
研究的目的:
- 为了解决Nipype框架内FSL缺乏标准的三级通用线性模型 (GLM) 教程.
- 通过Nipype和FSL使用Flanker任务数据集复制三级GLM分析.
- 识别和解决影响结果可复制性的Nipype和FSL功能之间的差异.
主要方法:
- 利用Nipype开源Python项目集成神经成像软件包.
- 复制了使用FSL通过Nipype对Flanker任务数据集的三级通用线性模型 (GLM) 分析.
- 确定了Nipype和FSL功能之间的未经记录的差异.
- 开发了经过修订的Nipype代码和可重新执行的笔记本,以确保结果不变.
主要成果:
- 通过Nipype使用FSL成功复制了三级GLM分析.
- 发现了Nipype和FSL之间的未经证实的差异,导致了显著的结果差异.
- 提供了更正的Nipype代码和可重新执行的笔记本,保证FSL和Nipype之间得到一致的结果.
结论:
- 尼皮在可重现性,计算效率和神经成像分析的易用性方面具有优势.
- 解决Nipype和FSL之间的差异对于可靠和可复制的神经成像研究至关重要.
- 提供的资源 (分析,笔记本,软件规范) 促进在开放科学框架上的可重复的神经成像工作流.
