一个可复制和通用的软件工作流程,用于分析大规模的神经成像数据采集,使用BIDS Apps进行分析

科学领域:

• 神经成像是一种神经成像.
• 计算神经科学是一种神经科学.
• 数据科学数据科学数据科学

背景情况:

• 神经成像研究面临复制性挑战,因为大数据集和复杂的处理.
• 脑成像数据结构 (BIDS) 应用程序改善了数据组织,但需要完整的审计轨道来实现可重现性.
• 现有的可重现的大规模数据处理框架往往是概念验证,缺乏通用性.

研究的目的:

• 介绍BIDS App Bootstrap (BABS),这是一个用户友好的Python包,用于可扩展和可重复的神经成像数据处理.
• 解决需要一个可泛化的工具来管理大规模神经成像数据集的审计轨道的需求.
• 促进BIDS应用程序对大型数据集的应用,同时确保完全的数据处理可追溯性.

主要方法:

• 使用Leverage DataLad进行数据管理和版本控制.
• 整合可重复处理的公平大框架.
• 在高性能计算 (HPC) 系统上自动编写数据处理和版本跟踪的脚本.
• 支持在太阳电网引擎 (SGE) 和Slurm HPC环境中提交和审计工作.

主要成果:

• 通过将其应用于健康大脑网络 (HBN) 数据集 (n = 2,565) 来证明BABS的可扩展性.
• 成功地以可扩展的方式跟踪数据处理的完整审计轨迹.
• 为可重现的神经成像分析提供了一个用户友好和可通用的解决方案.

结论:

• BABS能够实现可复制和可扩展的神经成像数据处理.
• 该方案通过确保完整的审计轨迹,提高了研究的可重复性.
• 通过开源开发模型,BABS可以广泛扩展,促进更广泛的采用和贡献.