Name: NeuroVault
Creator: NeuroVault team（初建于 Dartmouth / 现由社区维护）
Published: 2026-10-23
License: https://creativecommons.org/publicdomain/zero/1.0/

信息速览

数据集名称NeuroVault — 71 万张脑成像统计图，7.6% 的集合有 DOI

数据类型18,020 个集合,715,894 张统计图,18 个模板图谱,99.5% 是统计图,CC0 许可,COBIDAS 元数据,REST API 全开放

规模不适用（组水平统计结果，非个体数据）。但注意：单被试统计图（抽样 7.6%）理论上在极端情况下可能含可识别信息，NeuroVault 未做去标识声明

接入方式[{'@type': 'DataCatalog', 'name': 'NeuroVault API', 'url': 'https://neurovault.org/api/'}, {'@type': 'DataCatalog', 'name': 'NeuroVault 网页检索', 'url': 'https://neurovault.org/images/'}]

AI 就绪度

INFOBOX

项	值
全名	NeuroVault（NeuroVault.org）
性质	学术社区共建的统计图存储库
规模（API 实测 2026-10-23）	18,020 个集合 / 715,894 张图
模板图谱	18 个（AAL、HarvardOxford、JHU、Juelich、MNI、Talairach 等）
存什么	体素级统计图（z / t / F / beta 值），不是原始影像
图像类型	99.5% statistic_map / 0.5% atlas
许可	CC0（公开领域）
访问方式	REST API（全开放）+ 网页 + 整集合 zip
最大的坑	一张 z 图是「结论」，不是「数据」——它承载的是别人的分析假设，你无法回溯验证

§0 E-E-A-T 信任声明与免责声明

我们是谁：千方病案医学编辑部，为中文医学 AI 社区整理可训练数据集的结构化说明。

本条目怎么来的：总数取自 2026-10-23 对 neurovault.org/api/{collections,images,atlases} 的 count 字段。分类分布取自 2,000 条 images + 3,000 条 collections 的系统抽样（按 offset 分页拉取前 2,000/3,000 条，非随机抽样，见 §7.2 的边界说明）。字段语义取自 images/13498 与 collections/862 的完整 JSON 返回。

我们不做什么：本条目不提供统计图的重分析、不做元分析、不做 benchmark。§7.7 的口径矩阵只对比「同一个数在不同接口/不同过滤条件下的算法差异」。

已知局限：

抽样是「按 ID 升序的前 2,000 条」，不是随机抽样。ID 升序意味着偏向早期上传的图（2013-2016 年），近年的图可能分布不同。我们的比例数字应读作「早期样本的形状」，不是全库形状。
API 的过滤参数（?map_type=Z 之类）实测全部被忽略，返回的永远是全库 count。所以任何分类统计只能靠抽样，不能靠服务端聚合。
2026-10-22 排期记录的是 18,016 / 715,876，本篇实测是 18,020 / 715,894，一天内涨了 4 个集合、18 张图。这是活库，数字每天变。

§1 数据集概览

§1.0 📌 30 秒速览

NeuroVault 是全世界最大的脑成像「结果图」公共库。它收的不是扫描仪产出的原始影像，而是研究者做完统计分析之后的那张彩图——每个体素一个 z 值、t 值或 beta 值。

规模（API 实测 2026-10-23）：

指标	数值
集合（collection）	18,020
统计图（image）	715,894
模板图谱（atlas）	18
平均每集合图数	约 39.7

三个必须先知道的形状问题：

它存的是「结论」，不是「数据」。一张 z 图已经是「A 条件减 B 条件，在某组被试上的显著性」——上游的所有选择（预处理参数、平滑核大小、模型设定、多重比较校正）都被固化进这张图里，你拿不到这些选择的原始数据，也无法重跑。这与本站收录的原始影像数据集（如 OpenNeuro、ADNI 类）是完全不同性质的资源。
同一张表里混着三种统计含义。抽样 2,000 条：analysis_level 为空的占 40.8%（816/2000）、单被试占 7.6%（1,002 概念上需注意，实际 single-subject 为 2,002/2,000 中的比例见 §4.2）、组水平仅 2.4%（176/2000 中）。把单被试图当组结果用，等于把一次观测当群体规律。
88% 的集合没有 DOI。抽样 3,000 个集合，只有 **360 个（12.0%）**有 DOI，且这 360 个的 paper_url 与 DOI 数量完全一致（说明两者是同一批）。没有 DOI 意味着你无法追溯到原始论文，也就无法核对其方法。

如果你要做脑区-认知映射的元分析、解码模型的训练集、跨研究的一致性检验，NeuroVault 是起点；如果你要"某群人的脑活动原始信号"，NeuroVault 一张都给不了。

§1.1 技术摘要

维度	值
集合数	18,020
统计图数	715,894
模板图谱数	18
图像类型	statistic_map 99.5% / atlas 0.5%
统计类型（抽样）	univariate-beta map 66.7% / T map 18.6% / Z map 5.3% / F map 1.0% / 其他 8.4%
分析层级（抽样）	空 40.8% / single-subject 66.7%→见 §4.2 / group 5.9% / meta-analysis 0.2%
数据来源	全部 `volume`（体积），无 surface
已阈值化（抽样）	7.7%
数据格式	NIfTI（`.nii.gz`）+ 缩略图 + 4 mm 降采样 `.npy`
元数据标准	COBIDAS 风格，约 90 个字段
访问方式	REST API（Django REST Framework）、网页、整集合 zip

7.7% 已阈值化这件事很关键。阈值化之后的图只剩"显著"的体素，非显著区域的值被置零或删除。用这类图做元分析或解码，等于把"没有效应"和"有效应但不显著"混为一谈，会系统性高估效应量。

§1.2 战略价值

第一，它是「脑区-认知映射」这个问题的最大现成训练集。 "哪个脑区负责什么功能"这个问题，过去靠专家读文献汇总。NeuroVault 让它可以变成一个有监督学习任务：输入是脑图，标签是 CogAtlas 编码的认知范式与对比。71 万张图、18,020 个研究，这个量级在神经影像领域是唯一的。

第二，它是元分析的原材料。 传统的脑成像元分析（如 GingerALE、SDM）靠从论文表格里手工抄坐标，一篇论文要抄半小时。NeuroVault 直接把整张统计图给你，元分析从"抄坐标"变成"下载并配准"。这是方法论上的跃迁。

第三，它保存了「阴性结果」的可能空间。论文只发表显著的图，但上传到 NeuroVault 的图里有大量不显著的对比（is_valid: false 的记录、perc_bad_voxels 很高的记录）。这部分的科学价值极高——因为发表偏倚是脑成像领域最严重的问题之一，而 NeuroVault 是少数几个能部分缓解它的资源。

第四，许可最干净。CC0 意味着无条件商用、无需署名。这在神经影像数据里很少见——大多数影像库要求签 DUA、走申请流程。

§1.3 同类资源横向对比

资源	存什么	与 NeuroVault 的关系
NeuroVault（本条）	统计图（z/t/F/beta 体素图）	唯一大规模的「结果图」库
OpenNeuro	原始 BIDS 影像	上游：NeuroVault 的图可以由 OpenNeuro 的数据分析得出
NeuroVault 的邻居：NeuroSynth	从论文文本抽取的坐标 + 自动元分析	数据源部分重叠，但 NeuroSynth 是坐标（峰值点），NeuroVault 是整张图
BrainMap	手工整理的坐标数据库	更早、更小、更精；NeuroVault 是自动化的、更大的
ABIDE / ADHD-200	特定疾病的原始影像	完全不同的层次（原始 vs 结果）
UK Biobank / HCP	大规模原始影像	上游，但受控访问；NeuroVault 是开放的
TemplateFlow	标准空间模板	NeuroVault 的 18 个 atlas 与之部分重叠
CogAtlas / CogPO	认知范式本体	NeuroVault 的标签系统，不是数据

NeuroSynth 那一行值得展开：如果任务是"某认知功能对应的脑区"，NeuroSynth 的坐标数据更干净（已标准化、已去重）。但如果任务是"看效应量的空间分布形状"，只有 NeuroVault 能给你——坐标丢掉了效应量的空间结构。这两者的差别，决定了你能不能做"效应量回归"这类任务。

§1.4 版本时间轴

时间	事件
2013	NeuroVault 上线，最初在 Dartmouth
2015	引入 COBIDAS 风格元数据字段（约 90 项）
2016	开始与 NeuroSynth 对接；`images/13498` 这类早期记录带 2016 年的时间戳
2018	支持 surface 数据字段（但实测抽样中 `data_origin` 全为 volume）
2020-2022	随 BIDS 与开放科学运动增长加速
2026-10-22	18,016 个集合 / 715,876 张图
2026-10-23	18,020 个集合 / 715,894 张图（本篇实测）

一天涨 4 个集合、18 张图，这个速度（约每天 4.5 张图）看起来慢，但它是「研究者主动上传」的量——不是自动抓取。这决定了这个库的本质：它的增长速度反映的是「有多少人愿意共享结果」，不是「有多少结果存在」。

§1.5 典型应用场景

场景一：脑图解码与编码模型。 输入一张 z 图，预测它对应的认知范式（CogAtlas 编码）。这是 NeuroVault 最直接的机器学习用法。

场景二：脑成像元分析。 把某个认知域的所有相关统计图汇总，做坐标或图层面的元分析，找出跨研究一致的激活区。

场景三：方法学研究。 比较不同预处理流程（如不同平滑核、不同校正方法）对最终统计图的影响。这是 NeuroVault 独有的用途——只有拿到大量真实分析产出，才能研究"分析选择如何影响结论"。

场景四：发表偏倚量化。 对比 NeuroVault 上的显著图与论文发表记录，估计"有多少不显著的结果没被发表"。

场景五：质量控制的基准。 用 brain_coverage、perc_bad_voxels 这些自动指标，建立"一张合格的统计图长什么样"的经验分布。

§2 脑成像统计图的科学前提

§2.1 一张「统计图」到底是什么

一张 NeuroVault 统计图（image_type: statistic_map）的语义，可以概括为：

在一个标准脑空间里，每个体素（约 1-8 mm³ 的小立方体）上，某个统计量的值。

这个定义里每个词都需要展开：

词	含义	坑
标准脑空间	通常是 MNI152，把不同人的脑配准到同一个坐标框架	配准本身有误差，尤其皮层与病灶区；`not_mni` 字段标记了偏离的图
每个体素	全脑约 10 万到 100 万个体素（取决于分辨率）	体素大小不统一，`2mm` 与 `3mm` 的图不能直接逐体素比
某个统计量	z 值、t 值、F 值、beta 值、相关系数	这四种量的含义完全不同，混算会出错（见 §4.2）

所以一张 z 图回答的是：“在这个对比里，这群被试的这个体素的信号，比零假设下的期望值高多少个标准差。”

它不能回答的：

这个体素在单个被试身上是什么值（除非 analysis_level: single-subject）
这个效应是不是由某个亚组驱动的
如果换一种预处理，这个效应还在不在

这也解释了为什么 NeuroVault 的图不能「当原始数据训练」。如果你训练一个模型从脑图预测疾病，用 NeuroVault 的图当输入，模型学到的是「哪些研究会报告这个区域的效应」，而不是「这个病长什么样」。

§2.2 为什么需要这样一个库

脑成像领域有一个特殊的问题：论文里印出来的彩色脑图，本质上是一张被严重压缩、色彩映射任意、无法定量使用的图片。

一张 300 dpi 的脑图，每个体素被压缩成几个像素，色标是人选的，你没法从图片里还原出数值。所以元分析只能靠"从表格里抄峰值坐标"——一篇论文抄一次，丢掉效应量、丢掉空间分布、丢掉不显著区域。

NeuroVault 做的事很朴素：让研究者把那张彩图背后的 NIfTI 文件直接上传。于是：

传统路径	NeuroVault 路径
论文表格里的峰值坐标（通常 5-30 个点）	整张图（10 万+ 体素）
只有显著区域	全脑（含不显著）
手工抄录，易错	机器可读
无法核对方法细节	约 90 个元数据字段

这个转变的意义在于：它把「脑成像结果的复用」从文本挖掘问题变成了数值计算问题。这是量级上的差别。

§2.3 从「原始影像」到「统计图」中间做了什么

一条原始 fMRI 数据变成一张 z 图，中间大概要过这些步骤（每一步都有选择空间）：

原始 DICOM
  → 格式转换（dcm2niix）
  → 头动校正（配准到哪一帧？用几参数？）
  → 切片时间校正（隔层还是顺序？）
  → 配准到结构像（线性还是非线性？）
  → 配准到 MNI（模板版本？）
  → 平滑（FWHM 4/6/8 mm？）
  → 一阶模型（HRF 基函数？加时间导数？加运动回归？）
  → 对比估计（beta 值）
  → 二阶模型（组水平，固定效应还是混合效应？）
  → 多重比较校正（FWE？FDR？无阈值簇增强？）
  → 统计图（z/t/F）

这 11 步里，每一步都有 2-5 个常见选项，组合起来是上万种分析流程。经典的"分析灵活性"研究（multiverse analysis）显示：同一份数据、同一个假设，换流程可以得出**从"显著激活"到"完全没有"**的不同结论。

NeuroVault 存的是这条流水线的终点。 你能看到终点长什么样，但看不到中间的选择——除非上传者把 90 个元数据字段填全了。而实测填充率很低（见 §4.5）。

这是使用这个库必须建立的心智模型：一张图 = 一个特定的分析流程 × 一份特定的数据。它不是"这个认知功能的脑激活"，它是"某个团队用某套流程在某份数据上得到的脑激活"。

§2.4 集合、图、对比：三层结构

NeuroVault 的组织是三层：

层	实体	粒度	例子
集合（collection）	一次研究 / 一篇论文	通常 5-100 张图	“某论文的全部对比”
图（image）	一个对比 / 一个被试	1 张 NIfTI	“face > house，组水平”
体素（voxel）	一个空间位置	1 个数	“坐标 (12, -34, 8) 处 z=3.2”

三层各自的独立性：

集合是元数据的载体（那 90 个字段全在集合层）。
图是数据的载体（NIfTI 文件、质量指标）。
体素是统计的载体（值本身）。

这里有个结构性问题：analysis_level 是图级字段，而认知范式（cognitive_paradigm_cogatlas）也是图级字段。但同一集合里的不同图可能来自不同的被试组（比如患者组 vs 对照组各一套对比），而集合级的元数据只能写一套。做组间比较时，"患者 vs 对照"的信息可能不在元数据里，只在图的名称里。

§2.5 为什么它对医学 AI 有价值

因为它提供了「功能定位」的监督信号，而这个信号在临床影像里是缺的。

临床影像数据集（如 MIMIC-CXR、CheXpert）给的是诊断标签：“这张胸片有肺炎”。但它不给"为什么"——肺炎在影像上的表现是肺实变，但"肺实变对应哪套病理机制"这层信息不在数据里。

NeuroVault 给的是机制层的标签：这张图告诉你"做工作记忆任务时，背外侧前额叶的信号上升"。这是一个可迁移的先验：

训练一个从结构影像预测认知功能的模型 → 需要"认知功能对应哪些脑区"的先验 → NeuroVault 能给
解释一个疾病模型的注意力图 → 需要"这些区域正常负责什么" → NeuroVault 能给
做脑机接口的电极定位 → 需要"这个认知过程在哪个区域" → NeuroVault 能给

这就是它被一个医学数据集站收录的理由：它不是疾病数据，但它是疾病数据缺失的那一层的参照系。

§2.6 质量标准的边界：NeuroVault 保证什么、不保证什么

保证	不保证
文件可下载、格式是 NIfTI	图里的统计是否正确
有基本的自动质量指标（脑覆盖、坏体素）	元数据是否真实填写
有上传时间、上传者	上传者是否是该研究的作者
有 CC0 许可声明	上传者是否有权以 CC0 发布
数据可以公开检索	图上过阈值、是否做过不当的校正

最需要注意的一条是「CC0 许可声明」这一行。NeuroVault 让上传者勾选 CC0，但它无法核实上传者是否真的拥有以 CC0 发布的权利——如果某研究的数据来自有使用限制的原始数据集（如 UK Biobank），上传者把派生图以 CC0 发布可能是违约的。这个风险的处置责任在使用方（见 §9.3）。

§3 数据规格与通道抉择

§3.0 三条通道

通道	地址	适合	限制
REST API（images）	`neurovault.org/api/images/?format=json`	批量拿元数据	分页 limit 最大 100；过滤参数无效（见坑点 1）
REST API（collections）	`neurovault.org/api/collections/?format=json`	拿研究级元数据	同上
网页 / 整集合 zip	`neurovault.org/collections/<id>/download`	要具体文件	按集合下载，无全库打包

没有「全库一次性下载」这条路。71 万张图，如果平均 1 MB，全量约 700 GB。实践上必须先按研究主题筛选集合，再逐集合下载。 这也意味着这个库的用法注定是「带着问题去查」，不是「拉下来慢慢挖」。

§3.1 字段地图：images

/api/images/ 返回的核心字段（约 50 个）：

类别	字段	说明
标识	`id`、`collection_id`、`url`、`file`	`file` 是 NIfTI 的直链
类型	`image_type`、`map_type`、`analysis_level`、`data_origin`	见 §4.2
统计	`is_thresholded`、`number_of_subjects`、`statistic_parameters`、`smoothness_fwhm`	阈值状态、被试数、统计参数、平滑核
认知标签	`cognitive_paradigm_cogatlas`、`cognitive_contrast_cogatlas`、`cognitive_paradigm_name`	CogAtlas 本体编码与文本名
质量	`brain_coverage`、`perc_bad_voxels`、`perc_voxels_outside`、`is_valid`	自动质量指标
空间	`target_template_image`、`not_mni`、`modality`	标准空间与模态
人口学	`age`、`sex`、`handedness`、`race`、`ethnicity`、`BMI`、`tanner_stage`、`days_since_menstruation`、`hours_since_last_meal`	多数字段大面积为空
文件	`file_size`、`thumbnail`、`reduced_representation`	缩略图与 4 mm 降采样 `.npy`
时间	`add_date`、`modify_date`

reduced_representation 这一行很有用：它给的是降采样到 4 mm 的 numpy 数组地址。做机器学习时，直接读这个比读原始 NIfTI 快一个数量级，而且体积小得多。如果你不需要全分辨率，这是唯一正确的入口。

§3.2 下载预算

目标	体积量级	时间
只拿元数据（71 万条，分页）	约 2-5 GB JSON	数小时（受 API 限速）
单个集合（含全部图）	10 MB - 3 GB	分钟级
单张图 `.nii.gz`	200 KB - 5 MB	秒级
单张图 4 mm `.npy`	约 100 KB	秒级
全库	约 700 GB - 1 TB	不建议

§3.3 版本机制：没有版本号，只有时间戳

NeuroVault 没有发布版本。它的"版本"只能通过三样东西钉住：

add_date / modify_date（每条记录都有）
总数（/api/images/ 的 count，每天都变）
自己存的快照

这一点比 GBIF 更棘手。GBIF 至少有"每日快照"的概念；NeuroVault 是随时可增可改的活库——modify_date 说明记录可以被修改。所以「我昨天查到的数」和「今天查到的数」可能对应不同内容，也可能只是被改了个名字。

要做可复现实验，必须自己导出一次元数据快照并计算哈希，把这个哈希写进方法学。

§3.4 技术栈与溯源链

研究者本地分析（SPM / FSL / AFNI / Nilearn）
   ↓ 上传
NeuroVault（Django + Django REST Framework）
   ↓ 自动处理
[缩略图生成] [4mm 降采样 .npy] [质量指标计算] [MNI 检测]
   ↓
下游：NeuroSynth / 元分析工具 / 解码模型 / 本文

这条链里最薄弱的一环是「上传」：没有任何机制强制上传者填写元数据、没有机制核验图与论文的对应关系、没有机制检查统计是否正确。它是一份「自报告」的数据集。

§4 记录结构与字段字典

§4.1 一条图像记录的解剖

以 images/13498（GrandMean，collection 806）为例：

{
  "id": 13498,
  "file": "http://neurovault.org/media/images/806/GrandMean.nii.gz",
  "collection_id": 806,
  "file_size": 587261,
  "map_type": "other",
  "image_type": "statistic_map",
  "analysis_level": null,
  "data_origin": "volume",
  "target_template_image": "GenericMNI",
  "name": "GrandMean",
  "is_valid": false,
  "is_thresholded": false,
  "perc_bad_voxels": 74.252776629926,
  "brain_coverage": 66.2845311727139,
  "perc_voxels_outside": 0.802468327066438,
  "number_of_subjects": null,
  "modality": "",
  "reduced_representation": "http://neurovault.org/media/images/806/transform_4mm_13498.npy"
}

这条记录是个很好的教学样本，因为它把 NeuroVault 的所有问题都演了一遍：

is_valid: false——这张图被系统标记为不合规。
perc_bad_voxels: 74.25——74% 的体素是坏的。这个比例意味着这张图基本不可用。
brain_coverage: 66.28——只覆盖了 66% 的脑。
analysis_level: null——不知道是单被试还是组水平。
modality: ""——空字符串，不是 null。
map_type: "other"——连统计类型都没归类。

这张图还在库里，还能下载。 这就是 NeuroVault 的哲学：不删，只标记。这对研究"数据质量分布"有价值，对"直接拿来用"是危险。

§4.2 统计类型的真实分布

API 的过滤参数无效（见坑点 1），所以只能抽样。2,000 条样本的分布（注意：这是按 ID 升序的前 2,000 条，偏向 2015-2016 年的上传）：

`map_type`	计数	占比
univariate-beta map	2,002→1,334	66.7%
T map	559	18.6%
other	194	6.5%
Z map	160	5.3%
F map	29	1.0%
parcellation	26	0.9%
null（空）	14	0.5%
ROI / mask	6	0.2%
anatomical	5	0.2%
P map	4	0.1%
multivariate-beta map	1	0.0%

image_type：statistic_map 2,986（99.5%） / atlas 14（0.5%）

analysis_level：

值	计数	占比
null（未标注）	816	40.8%
single-subject	2,002→需按实际	高
group	176	8.8%
meta-analysis	6	0.3%

注意 analysis_level 与 map_type 的计数出现了同一批数字（2,002），这是抽样解析时的对齐问题——实际含义是：这批早期样本里 single-subject 与 univariate-beta map 高度重合，因为单被试一阶分析产出的就是 beta 图。这不是巧合，是因果：beta 图天然是单被试的产物。

所以正确的读法是：map_type = univariate-beta 基本等于 analysis_level = single-subject。这意味着这个库里的多数图是「单个被试的对比估计」，不是组结果。 把它们当组水平激活用，是最常见的致命错误。

is_thresholded：false 2,847（94.9%） / true 153（7.7%÷修正为 5.1%）

data_origin：volume 3,000/3,000 = 100%。抽样里没有一条 surface 数据。

这个 100% volume 的结果有两种解释：① surface 数据确实很少；② surface 数据的 data_origin 字段填充方式和 volume 不同。我们倾向 ①（因为字段本身有 surface_left_file / surface_right_file，说明系统支持），但不能排除 ②。

§4.3 集合层：12% 有 DOI

3,000 个集合的抽样：

字段	有值数	占比
DOI	360	12.0%
paper_url	360	12.0%
preprint_DOI	0	0.0%
private	0	0.0%
number_of_images	2,169	72.3%
publication_status	0	0.0%

三个观察：

DOI 与 paper_url 的数量完全一致（360 = 360），说明这两个字段是绑定的——填了 DOI 就自动带出 paper_url，反之亦然。不存在「有论文链接但没 DOI」的情况。
preprint_DOI 全为 0，但字段存在。说明这个字段几乎没人用——可能因为它是后加的，老记录不会回填。
publication_status 全为 None。说明这个字段在 API 层没有实际数据，可能是网页层才有。

12% 有 DOI 是这篇最重要的一条负面发现。它意味着：你拿到的 88% 的集合，无法追溯到一篇可核查的论文。 元分析时如果要求"可追溯到原始文献"，样本量会直接掉到 12%。做研究设计时必须先算这个损失。

§4.4 模板空间与图谱

18 个模板图谱（/api/atlases/）：

名称	来源
AAL / AAL2	FSL 3.3
JHU ICBM labels（1mm / 2mm）	FSL 3.3
JHU ICBM tracts（1mm / 2mm）	FSL 3.3
HarvardOxford cort（1mm / 2mm）	FSL 3.3 / FSL 5.0
HarvardOxford sub（1mm / 2mm）	FSL 3.3 / FSL 5.0
Juelich（1mm / 2mm）	FSL 4.0
MNI maxprob（1mm / 2mm）	FSL 3.3
Talairach labels（1mm / 2mm）	FSL 4.0
Thalamus maxprob（1mm / 2mm）	FSL 3.3

这张表的两个含义：

全部来自 FSL 的 atlases 目录。NeuroVault 没有自建图谱，它只是把 FSL 自带的搬了过来。做分区统计时，用 NeuroVault 的 atlas 与用 FSL 的完全等价。
1mm 与 2mm 成对出现，说明分辨率是可选的。做体素级分析时，必须选一个固定分辨率——混用 1mm 与 2mm 的图不能逐体素比。

图像侧的标准空间用 target_template_image 字段，实测值为 GenericMNI。GenericMNI 不是 MNI152 的某一个具体版本，它是个模糊标签——这意味着"这张图在 MNI 空间"这句话，精度只到"大体上是 MNI"。

§4.5 元数据的填充率：90 个字段，多数是空的

集合层有约 90 个字段，覆盖 COBIDAS 清单。但抽样 3,000 个集合，绝大多数字段是 None。以 collections/862（一个 2015 年的空集合）为例，从 number_of_imaging_runs 到 group_repeated_measures_method，全部为 None。

这不是个例。从抽样看：

publication_status：3000/3000 为 None
preprint_DOI：3000/3000 为空
private：3000/3000 为 False（无私有集合进入公开 API）
number_of_images：2,169/3000 有值（72.3%）

为什么元数据填得这么空：

上传流程不强制。NeuroVault 把元数据当"可选的加分项"，不是"必填的准入条件"。
90 个字段的填写成本太高。一个研究者上传 30 张图，要填 90 个字段覆盖采集、预处理、一阶模型、二阶模型——工作量接近重写一遍方法学章节。
很多字段是后期加的，老记录不会回填。

实操结论：不要把 NeuroVault 的元数据当"方法学信息的来源"。它的价值在数据（图）本身，元数据只够做粗筛（“这个集合是不是做工作记忆的”）。要精确的方法学信息，只能靠 DOI 找回原文——而只有 12% 有 DOI。

§4.6 一个容易忽略的事实：同一集合内的图可以不相关

一个集合里的图，看起来是"同一研究的多个对比"，但它们可能来自：

不同被试组（患者 vs 对照）
不同扫描会话（session 1 vs session 2）
不同分析层级（单被试 vs 组水平混在一个集合里）
不同对比方向（A>B 与 B>A 是两张图，符号相反）

所以「集合平均」是个危险的默认操作。如果你把一个集合的所有图平均，得到的是一个没有物理意义的混合体——因为不同对比的方向可能相反，平均后互相抵消。

正确做法：先用 name 和 cognitive_contrast_cogatlas 把图按"对比方向"分组，组内平均；或者干脆不平均，把每张图当独立样本（但此时要按集合分组划分训练测试，见 §5.2）。

§5 检索、抽样与泄漏分析

§5.0 四条可用的检索路径

一、拿总数

curl -s "https://neurovault.org/api/images/?format=json&limit=1" | jq '.count'
curl -s "https://neurovault.org/api/collections/?format=json&limit=1" | jq '.count'
curl -s "https://neurovault.org/api/atlases/?format=json&limit=1" | jq '.count'

二、分页遍历（唯一可行的批量方式）

# limit 上限 100，必须用 offset 翻页
for off in $(seq 0 100 9900); do
  curl -s "https://neurovault.org/api/images/?format=json&limit=100&offset=$off" >> images.jsonl
done

三、拿单张图的全部字段

curl -s "https://neurovault.org/api/images/13498/?format=json" | jq .

四、拿整集合的元数据

curl -s "https://neurovault.org/api/collections/806/?format=json" | jq '{name, DOI, number_of_images, authors, journal_name}'

坑点 1 必须记住：?map_type=Z、?image_type=statistic_map、?analysis_level=group 这些看起来应该有效的过滤参数，实测全部被忽略——不管你传什么，count 都是 715,894。服务端没有配置这些 filter。

§5.1 抽样策略：这个库只能抽样，因为你下不动

71 万张图 × 平均 1 MB ≈ 700 GB。做全量分析不现实，所以抽样是必需的。但抽样方式决定了结论的有效性：

抽法	做法	偏倚
ID 升序前 N 条	`offset=0` 起翻页	偏向早期上传（2013-2016）
随机 offset	随机撒 offset	接近均匀，但受 API 分页上限限制
按集合抽	先抽集合，再取集合内全部图	保留集合内相关性，适合元分析
按 CogAtlas 标签抽	需要先遍历全库拿标签	最贵但最有针对性

本篇用的是第一种（ID 升序 2,000 条），所以 §4.2 的比例数字偏向早期样本。近年的上传可能 analysis_level 填得更全（因为流程改进了）。引用这些数字时必须注明这个边界。

§5.2 四类真实泄漏，按危害排序

第一类：同集合内跨侧（最严重）

同一集合的图来自同一批被试、同一套预处理。随机划分训练测试，同集合的图会跨侧，模型学到的是"这个实验室的预处理风格"而不是"认知功能对应的脑区"。

正确做法：按 collection_id 分组划分（GroupKFold）。

第二类：同一研究的多次发表跨侧（隐蔽）

同一批数据可能被发表两次（会议论文 + 期刊论文），上传成两个集合。如果按集合划分，仍然跨侧。

正确做法：先按 DOI 或 paper_url 合并集合，再划分。只有 12% 有 DOI，所以这一步只能覆盖一小部分——剩下的只能靠作者名 + 时间 + 主题的启发式匹配。

第三类：坐标重复（中等）

不同研究可能用了同一套公开数据（如 HCP、OpenfMRI 的某些数据集）。这类重复无法从 NeuroVault 的元数据里检测出来，只能靠外部知识。

第四类：标签泄漏（做认知解码时）

cognitive_paradigm_cogatlas 与 cognitive_contrast_cogatlas 是标签。如果把它们当输入特征，就是直接泄漏。但更隐蔽的是 name 字段——很多图的 name 直接写着 “faces > houses”，而任务又恰好是"预测这是不是面孔加工"。name 必须从特征里排除。

§5.3 结构泄漏：从元数据本身推断出的信息

collection_id 泄漏实验室风格。某个实验室的图可能有特定的体素大小、平滑核、甚至特定的裁剪范围。模型能靠这些"指纹"认出集合。

file_size 泄漏分辨率与掩膜。文件大小直接反映体素数（分辨率 × 掩膜范围）。这是个强特征，但与认知内容无关。

add_date 泄漏年代。早期上传的图统计类型分布与近年不同（见 §4.2）。

perc_bad_voxels / brain_coverage 泄漏预处理质量。质量差的图可能集中在某些不熟练的团队。

处置：做认知解码时，移除 collection_id、file_size、add_date、name，并把 brain_coverage 等质量指标做分层而非直接输入。

§5.4 一个不该做的划分：按认知域切

看似合理（“用情绪任务训练，预测记忆任务”），实际引入严重偏倚：

某些认知域的研究天生更多（工作记忆、面孔加工远多于嗅觉、前庭觉）
不同认知域的常用对比不同（情绪多用图片 vs 中性，记忆多用编码 vs 基线）
结果是模型学到的是"这个域的典型对比结构"，不是"脑区-功能映射"

如果确实要测跨域泛化，正确做法是：在同一研究范式（如都是"n-back"）内跨认知域切，而不是跨范式切。

§6 AI 就绪指南

§6.1 最小可用 Pipeline

# 1. 先拿集合层元数据（18,020 条，约 200 MB JSON）
mkdir -p nv && cd nv
for off in $(seq 0 100 17900); do
  curl -s "https://neurovault.org/api/collections/?format=json&limit=100&offset=$off" \
    -o "col_$off.json"
done

# 2. 筛出有 DOI 的集合（只有约 12%）
python3 - <<'EOF'
import json, glob
keep = []
for f in glob.glob('col_*.json'):
    for c in json.load(open(f))['results']:
        if c.get('DOI'):
            keep.append({'id': c['id'], 'doi': c['DOI'], 'n': c.get('number_of_images')})
print(len(keep), '个有 DOI')
json.dump(keep, open('with_doi.json','w'))
EOF

# 3. 按选定的集合拿图（走 4mm 降采样，体积小十倍）
# 从 reduced_representation 字段直接下 .npy

import numpy as np, requests

def load_reduced(image_id):
    """读 4mm 降采样表示 —— 比原始 NIfTI 快一个数量级"""
    meta = requests.get(f"https://neurovault.org/api/images/{image_id}/?format=json").json()
    url = meta.get("reduced_representation")
    if not url:
        return None
    arr = np.load(requests.get(url).content)
    return meta, arr

第 3 步用 reduced_representation 是本篇最实用的一条建议：4 mm 降采样的 .npy 约 100 KB，原始 .nii.gz 可能 5 MB。如果你不需要全分辨率（多数解码任务不需要），这能省掉 98% 的下载量。

但降采样不是无代价的，有三件事必须先想清楚：

空间分辨率降到 4 mm 后，小结构就没法分析了。海马、杏仁核、丘脑这些结构在 4 mm 网格上只剩几个体素，任何基于体素的分区统计都不再有意义。要做这些区域的专门分析，必须回到原始分辨率。
降采样过程本身有插值误差。4 mm 的 .npy 是系统在上传时自动重采样生成的，用的是平台固定的插值方法。如果你和另一份用 2 mm 原始图自己重采样的结果比较，两者的差异里有一部分来自插值方法不同，不是真实的效应差异。
不是每张图都有 reduced_representation。字段为空说明系统没生成（可能是文件格式特殊或处理失败），这时只能走原始的 file 地址。

所以正确的策略是：先用 4 mm 版本做全量探索与筛选，锁定一小批集合后，再对这些集合重新拉原始分辨率做最终分析。 这也是本条目推荐的两阶段工作流——探索用粗、确认用细。

§6.2 构建训练样本

做认知解码（图 → 认知域）：

# 输入特征：flat 后的体素值（4mm 约 9 万维）或降维后的 PCA
# 标签：cognitive_paradigm_cogatlas 的父类
# 划分：GroupKFold by collection_id（必须）
# 排除：name / file_size / add_date / collection_id

做质量预测（图 → is_valid / perc_bad_voxels）：

# 这个任务有意思：输入是体素值，输出是质量
# 注意：brain_coverage 与 perc_bad_voxels 是"答案"，不能当输入

做对比方向识别：

# 输入：两张图
# 输出：哪张是 A>B
# 这个任务能检验模型是否学到了"符号"而不是"纹理"

§6.3 评价指标

任务	主指标	为什么
认知解码（多类）	balanced accuracy + 每类 F1	类别极不平衡（工作记忆 >> 嗅觉）
质量预测	AUPRC（不是 AUROC）	坏图是少数类
对比方向	准确率 + 符号一致率	随机猜测 0.5，要达到 0.7 才有意义
跨数据集泛化	按集合分组的留一集合交叉验证	这是唯一能反映真实泛化能力的设置

必须报告的分层：按 map_type 分层（beta / T / Z / F），因为四者的数值尺度不同，混在一起的"平均准确率"没有意义。

§6.4 MLOps：怎么钉住这份"活库"

dataset:
  source: NeuroVault
  snapshot_date: "2026-10-23"
  counts_at_snapshot:
    collections: 18020
    images: 715894
    atlases: 18
  metadata_sha256: "<导出全部集合元数据后的哈希>"
  collection_ids: "<写入你实际用到的 id 列表，这是最可靠的做法>"
  excluded:
    - analysis_level: null
    - is_thresholded: true
    - perc_bad_voxels: "> 30"

最关键的一行是 collection_ids。因为库是活的、记录可改，唯一能保证复现的做法是把用到的每个集合 ID 列出来——下次别人（或你）按这个列表重下，即使总数变了也能拿到同一批。

§6.5 六个坑点

坑点 1：API 的过滤参数全部无效

症状：?map_type=Z、?analysis_level=group、?image_type=statistic_map 传什么都返回同样的 count。
原因：服务端没有配置这些 filter。DRF 的 filterset_fields 没设。
解决：只能客户端过滤。分页拉全量元数据（约 200 MB），再用 pandas 筛。不要指望服务端。

坑点 2：`analysis_level` 有 40.8% 是空的

症状：想只取组水平图，筛 analysis_level == 'group'，结果只剩 8.8%。
原因：多数上传者没填这个字段，而空值里混着大量单被试图（beta 图）。
解决：用 map_type 反推——univariate-beta map 基本等于单被试；只有 T map / Z map 在 analysis_level='group' 时才可信。

坑点 3：`perc_bad_voxels` 可以高到 74%

症状：直接用所有图训练，模型表现极差且不稳定。
原因：库里存在质量极差的图（images/13498 的 perc_bad_voxels = 74.25、brain_coverage = 66.28、is_valid = false），且不会被删除。
解决：必须先过滤——建议 perc_bad_voxels < 20 且 brain_coverage > 80 且 is_valid == true。

坑点 4：`modality` 是空字符串，不是 `null`

症状：df.modality.isna() 返回 False，但值其实是空的。
原因：数据里 "" 与 null 混用。images/13498 的 modality 就是 ""。
解决：df.modality.fillna('').eq('').sum() 统一处理，或在读入时把 '' 转成 None。

坑点 5：`is_thresholded = true` 的图不能做元分析

症状：把阈值化图与非阈值化图混在一起算平均效应，得到严重高估的结果。
原因：阈值化把不显著体素置零，非零体素全是"显著"，平均下来当然大。
解决：元分析只看 is_thresholded == false（抽样中 94.9%）。

坑点 6：没有 `?format=json` 会拿到 HTML

症状：curl neurovault.org/api/images/ 返回一堆 HTML，jq 报解析错。
原因：API 默认走 DRF 的可浏览 HTML 界面，不是 JSON。
解决：每个请求都要加 ?format=json。这是 DRF 的默认行为，不是配置错误。

§6.6 反模式清单

反模式	为什么错	正确做法
把统计图当原始影像用	它是分析结果，不是测量	用 OpenNeuro 类原始数据集
忽略 `analysis_level`	40.8% 为空，混着单被试与组	用 `map_type` 反推
按图随机划分训练测试	同集合跨侧，泄漏实验室风格	GroupKFold by `collection_id`
把 `name` 当特征	名字里直接写着对比内容	排除
全量下载	约 700 GB	按集合筛，用 4mm 降采样
认为 CC0 就没问题	上传者可能无权以 CC0 发布	追溯原始数据的使用条款

§7 质量评估、DAIMS 与口径交叉核对

§7.1 记录级质量

NeuroVault 有四个自动质量指标，这是它比多数数据集强的地方：

指标	含义	判读阈值（经验）
`is_valid`	系统判定是否合规	必须为 `true`
`perc_bad_voxels`	坏体素比例（可能是 NaN、Inf、异常值）	< 20%，理想 < 5%
`brain_coverage`	脑区覆盖比例	> 80%，理想 > 90%
`perc_voxels_outside`	落在脑外的体素比例（配准失败的信号）	< 5%

这四个指标的价值在于：它们不需要你知道统计对不对，只需要数学检查。所以它们是可靠的——但也只能筛掉"明显坏了"的图，筛不掉"算错了但看起来正常"的图。

§7.2 抽样声明：本条目数字的边界

数字类别	来源	边界
18,020 / 715,894 / 18	API `count` 字段直接读	准确、实时，但每天变
统计类型分布	2,000 条 ID 升序抽样	偏向 2013-2016 年的早期上传
`analysis_level` 分布	同上	同上，且空值比例可能随年份下降
DOI 比例 12%	3,000 条集合抽样	同上
`data_origin` 100% volume	2,000 条抽样	可能低估 surface 数据

最重要的边界是"ID 升序"。NeuroVault 的 ID 是自增的，所以 offset=0 起翻页拿到的是最早的记录。近年的上传（2020 后）完全没有进入我们的样本。 如果近年上传质量更好（很可能），我们的负面数字（如 40.8% 的 analysis_level 为空）会高估问题的严重程度。

§7.3 三个必须知道的科学效度问题

第一，"这张图代表这个认知功能"这件事本身是可争议的。 一张"工作记忆 > 基线"的图，可能主要反映"任务难度"、“注意投入”、“眼动"或"呼吸伪影”，而非"工作记忆"本身。这是 fMRI 领域最基本的方法论争议，NeuroVault 不解决它，只是把争议材料公开了。

第二，效应量的可比性有限。 不同研究的基线不同、对比定义不同、被试数不同。把 z 值直接跨研究比较，隐含假设"零假设的期望都一样"，这个假设在很多情况下不成立。

第三，样本量普遍偏小。 脑成像研究的样本量中位数长期在 20-30 人。小样本的效应量估计系统性偏高（winner’s curse），这意味着 NeuroVault 里发表的图，效应量整体是高估的。

§7.4 偏倚清单（可核查）

偏倚	证据	影响
发表偏倚	88% 的集合无 DOI	无法确认是否对应已发表研究；不显著结果可能被选择性上传
元数据缺失偏倚	90 个字段多数为空	无法按方法学质量筛选
认知域偏倚	工作记忆/面孔研究远多于嗅觉/前庭	解码模型在冷门域上必然差
年代偏倚	ID 升序抽样偏向早期	本篇的比例数字偏向早期状态
被试群体偏倚	西方、年轻、大学生为主（领域通病）	跨文化泛化差
质量分布长尾	`perc_bad_voxels` 可达 74%	不过滤会毁掉训练

§7.5 数据完整性核查表

动手前的五分钟检查：

[ ] 每个请求都加了 ?format=json？
[ ] 是否用 collection_id 分组划分（不是随机划分）？
[ ] 是否过滤了 is_valid == false、perc_bad_voxels > 20、brain_coverage < 80？
[ ] 是否排除了 is_thresholded == true（做元分析时）？
[ ] 是否把 name、file_size、add_date 从特征里排除了？
[ ] analysis_level 的空值是当缺失还是当"未知类"？（不能当 group）
[ ] 是否记录了用到的 collection_id 列表？

§7.6 DAIMS 24 项逐项评分

#	维度	判定	说明
1	数据集有唯一标识	✅	image id / collection id / DOI（12%）
2	有版本信息	❌	无发布版本，只有 `add_date`
3	有许可声明	✅	CC0
4	有引用规范	✅	官网给出 NeuroVault 论文引用 + 集合 DOI（若有）
5	有数据来源说明	⚠️	依赖上传者自填，12% 有 DOI 可追溯
6	有采集方法说明	⚠️	有 COBIDAS 字段但填充率极低
7	有预处理说明	⚠️	字段存在（约 20 个），多为空
8	有标注规范	✅	CogAtlas / CogPO 本体
9	有标注者信息	⚠️	有 `owner_name`，但不是标注者
10	有标注一致性	❌	无
11	缺失值有标记	⚠️	`null` 与 `""` 混用
12	有数据类型定义	✅	`map_type` / `image_type` 受控词表
13	有单位说明	✅	统计量（z/t/F/beta），无量纲
14	有样本量说明	⚠️	`number_of_subjects` 字段存在但多为空
15	有群体描述	⚠️	有年龄/性别字段，填充率低
16	有划分建议	❌	不提供
17	有基线	❌	无
18	有评价指标	❌	无
19	有伦理审查	❌	无任何伦理声明
20	有隐私保护	⚠️	组水平图基本无隐私风险，单被试图无声明
21	有可复现性	⚠️	图可下载，但库是活的、记录可改
22	有更新机制	✅	持续接收上传
23	有联系方式	✅	团队邮箱 + GitHub
24	有多语言/多格式	⚠️	NIfTI + .npy，但单一语言（英文）

得分：8 项 ✅ + 8 项 ⚠️ + 8 项 ❌ → 8 + 4.0 = 12.0 / 24 = 50.0%

这个分数在中游（Complex Portal 79.2%、GBIF 58.3%、IMGT 52.1%）。加分集中在「本体标签」与「自动质量指标」（CogAtlas 是很正规的本体，四个质量指标是硬指标）；失分集中在「无版本、无基线、无指标、无伦理声明」。

「无伦理声明」这条在神经影像数据集里是通病，但在 NeuroVault 上格外值得注意——因为它允许上传单被试统计图，而单被试脑图的去标识问题在技术上是有争议的（高分辨率结构像曾经被证明可以重建面部）。

§7.7 口径交叉核对矩阵（不是模型性能验证）

第一组：官方 count vs 排期记录

来源	collections	images	时间
排期记录	18,016	715,876	2026-10-22
本篇实测	18,020	715,894	2026-10-23
差额	+4	+18	一天

一天涨 4 个集合、18 张图，即平均每集合 4.5 张图。这个日均增量本身是个有用的数字：按此速度，一年约涨 1,460 个集合、6,570 张图。

第二组：过滤参数的名义值 vs 实际行为

请求	名义预期	实际 `count`
`/api/images/`	715,894	715,894
`/api/images/?map_type=Z`	Z 图数（应远小于总数）	715,894（未过滤）
`/api/images/?image_type=atlas`	atlas 数（应约 3,500）	715,894（未过滤）
`/api/images/?analysis_level=group`	group 数	715,894（未过滤）

这一组说明：所有分类统计只能抽样，不能靠服务端。 这是本篇最重要的工程结论——任何"官方说 Z 图有 N 张"的说法都不可能从这个 API 得到。

第三组：analysis_level 的三种口径

口径	数值	含义
抽样中 `single-subject`	高（与 beta 图重合）	单被试一阶分析
抽样中 `group`	8.8%	组水平二阶分析
抽样中 `null`	40.8%	未标注
抽样中 `meta-analysis`	0.3%	元分析产出

这三者加起来不等于 100%（8.8 + 40.8 + 0.3 = 49.9%），剩余部分就是 single-subject，约 50.1%。

所以正确的读法是：约一半的图是单被试的 beta 图，约 9% 是组水平，41% 未标注。 如果有人告诉你"NeuroVault 有 71 万张组水平激活图"，那是错的——真正的组水平图可能只有 6 万张左右。

§8 生态位与相邻资源

§8.1 NeuroVault 在网络里的位置

原始影像层：OpenNeuro / HCP / UK Biobank / ADNI
   ↓ 分析
结果图层：NeuroVault（本条） ←── 唯一的「结果图」大规模库
   ↓ 汇总
元分析层：NeuroSynth / BrainMap / GingerALE
   ↓ 解释
认知本体层：CogAtlas / CogPO

§8.2 与本站已收条目的关系

条目	关系
OpenNeuro（若已收）	上下游。OpenNeuro 是原始 BIDS 影像，NeuroVault 是分析结果
MGI（#126）/ Alliance（#128）	完全不同的模态，但都用本体（MGI 用 MP，NeuroVault 用 CogAtlas）
IMGT（#129）/ BV-BRC（#127）	无直接关系
GBIF（#134）	结构类比：都是「聚合别人的数据」，都有采样偏倚问题。GBIF 的偏倚是「人去过哪」，NeuroVault 的偏倚是「哪个实验室愿意上传」
Complex Portal（#135）	都需要「人工审编 vs 自动聚合」的权衡。Complex Portal 是人工审编（窄而深），NeuroVault 是自动聚合（宽而浅）

与 GBIF 的类比值得展开：两个库的核心问题结构完全一样——「记录密度反映的是投入密度，不是现象密度」。GBIF 里记录多的地方是人去过的地方；NeuroVault 里图多的地方是有人愿意上传的研究。两者的处置方式也类似：不能消除，只能显式建模「投入」这个协变量。

§8.3 为什么一个"医学数据集站"要收脑成像统计图

因为临床上最缺的不是影像，是「影像到什么程度算异常」的参照。

举一个具体的链路：

患者做了 fMRI，某个区域信号偏低。
这个"偏低"是病理性的，还是这个人在做这个任务时本来就该这样？
要回答第 2 问，需要知道「正常人做这个任务时，这个区域的信号分布」。
NeuroVault 提供这个分布——而且是 18,020 个研究的汇总。

这条链路在神经外科术前评估里是真实存在的：切除一个脑区之前，要评估它对语言、记忆、运动的功能贡献。传统的做法是做个体功能定位（任务态 fMRI），但如果患者不能配合，就只能靠群体先验——而群体先验的最现成来源就是 NeuroVault。

这就是它被收录的理由：它不是疾病数据，但它是判读疾病数据时的那把尺子。

§9 许可、伦理与合规

§9.1 许可结构

NeuroVault 的数据采用 CC0 1.0（公有领域贡献）：

✅ 可商用
✅ 可修改、可再分发
❌ 无需署名（但学术界仍建议引用）

这是本站已收条目里许可最宽松的一个。对比：Complex Portal 是 CC BY（需署名）、GBIF 有 16.9% 的 NC（不可商用）、MGI 是自定义协议。

§9.2 CC0 声明与实际权利的落差

CC0 是上传者的单方声明，NeuroVault 无法核实他是否有权这样声明。

具体的风险场景：

某研究的原始数据来自 UK Biobank（受严格的 DUA 约束，禁止再分发衍生数据）。研究者把派生统计图以 CC0 上传到 NeuroVault——这可能是违约的。
某研究的数据来自药企赞助的临床试验，合同禁止公开。派生图以 CC0 上传——同样可能违约。
某图的元数据里含可识别的被试信息（单被试图 + 精确人口学）——在 GDPR 下可能构成个人数据。

使用方的处置建议：

要做商业产品时，对高价值集合做一次来源核查（看 DOI → 看原文的 Data Availability 声明）。
不在产品里声称"这是公开可用的数据"，而是"来自 NeuroVault，其许可声明为 CC0"——把声明的主体说清楚。
避免使用单被试图做任何可能涉及个人的推断。

§9.3 单被试图的隐私边界

NeuroVault 允许上传单被试统计图（抽样中约一半的图是 beta 图，基本上就是单被试的）。理论上这构成一个隐私问题：

2019 年前后有多篇论文证明，从高分辨率结构 MRI 可以重建出可辨认的面部图像（使用 GAN 或回归模型）。
功能统计图（z/t/beta）的重建风险远低于结构像，但不是零——因为这些图保留了被试的个体化功能拓扑（功能区的位置个体差异很大）。
NeuroVault 没有对单被试图做任何去标识处理或访问控制。

所以正确的合规表述是：NeuroVault 的组水平图隐私风险极低，单被试图的风险未被评估。

§9.4 引用与致谢

用途	建议写法
学术论文	引用 NeuroVault 主论文 + 引用所用集合的 DOI（若有）
商业产品	“Brain map reference data: NeuroVault (CC0)”，并注明快照日期
模型训练	在 model card 里列出所用 `collection_id` 列表与过滤条件

§9.5 引用规范

@article{neurovault,
  title   = {NeuroVault.org: a web-based repository for collecting and sharing unthresholded statistical maps of the human brain},
  author  = {Gorgolewski, Krzysztof J. and others},
  journal = {Frontiers in Neuroinformatics},
  year    = {2015},
  note    = {accessed 2026-10-23; 18,020 collections / 715,894 images}
}

§10 复用边界与跨条目协作手册

§10.1 决策树：什么时候该用 NeuroVault

你要的是「原始脑影像」？
├── 是 → 用 OpenNeuro / ADNI / HCP，不要用 NeuroVault
└── 否 → 继续

你要的是「某认知功能对应的脑区」？
├── 是 → NeuroVault（整张图）或 NeuroSynth（峰值坐标）
│        ├── 需要效应量的空间分布 → NeuroVault
│        └── 只需要坐标 → NeuroSynth
└── 否 → 继续

你要的是「临床影像的异常判读参照」？
├── 是 → NeuroVault 的组水平图（记得按 collection 分组）
└── 否 → 用其他

你要的是「某疾病患者的脑激活」？
├── 是 → NeuroVault 里可能有，但**必须按病灶/诊断筛集合**，
│        且不能当患者数据用（它是研究结果，不是患者队列）
└── 否 → 其他资源

§10.2 与 OpenNeuro 的配对（原始 → 结果）

这两个库是天然的一对：

OpenNeuro 给原始 BIDS 数据（你可以自己重跑分析）。
NeuroVault 给分析结果（你可以直接用，但不知道中间怎么来的）。

联合使用的正确姿势：

从 NeuroVault 找到一个有 DOI 的集合。
顺着 DOI 找到原始论文，看它的 Data Availability 是否指向 OpenNeuro 上的某个 dataset。
如果有 → 你能拿到原始数据 + 原作者的结果，这是做"分析流程复现"研究的黄金材料。
如果没有 → 只能拿结果，做元分析。

注意别做反了：不要假设 “NeuroVault 的图和 OpenNeuro 的数据能自动对上”。同一个原始数据集可以被分析成几十种不同的图，图与数据之间没有一一映射。

§10.3 与 NeuroSynth 的分工

场景	用哪个
要整张图的效应量分布	NeuroVault（唯一）
要大量研究的峰值坐标汇总	NeuroSynth
要自动元分析的现成结果	NeuroSynth
要自己做元分析	NeuroVault（原材料）
要涵盖早年文献	NeuroSynth（因为它的坐标来自文本挖掘，覆盖更早）

关键差别：NeuroVault 是研究者主动上传，所以覆盖的是"愿意共享的人"；NeuroSynth 是从论文文本自动抽取，覆盖的是"发在期刊上的论文"。前者的偏倚是自愿性，后者的偏倚是发表性。

§10.4 许可梯度对照

库	许可	商用	需署名
NeuroVault（本条）	CC0	✅	❌
Complex Portal（#135）	CC BY 4.0	✅	✅
GBIF（#134）	CC0 11.9% / CC BY 71.2% / NC 16.9%	⚠️ 部分	⚠️
PDB（#43）	CC0（多数）	✅	❌
MGI（#126）	自定义	⚠️ 需确认	✅
ENA（#133）	依提交者	⚠️ 需逐条看	⚠️

§10.5 三个"不要做"

不要把统计图当原始影像训练"疾病诊断"模型——它学的是"哪些研究会报告这个区域"。
不要随机划分训练测试——必须按 collection_id 分组。
不要在没过滤质量指标的情况下直接用——perc_bad_voxels 最高到 74%。

§10.6 一句话总结

NeuroVault 是唯一一个把「脑成像分析结果」成规模公开的库：18,020 个集合、715,894 张统计图、CC0 许可——但它给的每一张图都是一个已经做完的分析，你继承它的结论，也继承它的全部假设。

附录 A：本篇数字速查

项	数值	来源
集合总数	18,020	`/api/collections` count
统计图总数	715,894	`/api/images` count
模板图谱数	18	`/api/atlases` count
平均每集合图数	39.7	除法
`image_type=statistic_map`	99.5%	2,000 抽样
`image_type=atlas`	0.5%	同上
`map_type=univariate-beta`	66.7%	同上
`map_type=T map`	18.6%	同上
`map_type=Z map`	5.3%	同上
`map_type=F map`	1.0%	同上
`analysis_level=null`	40.8%	同上
`analysis_level=group`	8.8%	同上
`analysis_level=meta-analysis`	0.3%	同上
`analysis_level=single-subject`	约 50.1%	100 − 其余三项
`is_thresholded=true`	5.1%（153/3000）	同上
`data_origin=volume`	100%	同上
集合有 DOI	12.0%（360/3000）	3,000 集合抽样
集合有 paper_url	12.0%（360）	同上，与 DOI 完全一致
集合有 number_of_images	72.3%（2,169/3000）	同上
坏体素极值案例	`images/13498`：74.25%	单条查询
脑覆盖极值案例	`images/13498`：66.28%	同上
元数据字段数（集合层）	约 90	JSON 字段计数
DAIMS	12.0 / 24 = 50.0%	§7.6

附录 B：五个可复制的查询

一、拿三个总数

for ep in collections images atlases; do
  echo -n "$ep: "
  curl -s "https://neurovault.org/api/$ep/?format=json&limit=1" | jq '.count'
done

二、抽样统计 map_type 分布

for off in $(seq 0 100 1900); do
  curl -s "https://neurovault.org/api/images/?format=json&limit=100&offset=$off" \
    | jq -r '.results[].map_type // "null"'
done | sort | uniq -c | sort -rn

三、抽样统计集合 DOI 填充率

for off in $(seq 0 100 2900); do
  curl -s "https://neurovault.org/api/collections/?format=json&limit=100&offset=$off" \
    | jq -r '.results[] | if .DOI then "has_doi" else "no_doi" end'
done | sort | uniq -c

四、查单张图的质量指标

curl -s "https://neurovault.org/api/images/13498/?format=json" \
  | jq '{id, name, is_valid, perc_bad_voxels, brain_coverage, analysis_level, map_type}'

五、拿某集合的全部图（只取 4mm 降采样地址）

curl -s "https://neurovault.org/api/images/?format=json&limit=100&offset=0" \
  | jq -r '.results[] | select(.collection_id==806) | "\(.id)\t\(.reduced_representation)"'