用于脑结构网络分析的网络可通信性指标验证数据

数据集获取

源站：https://doi.org/10.5061/dryad.612jm

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据集大小约 751.6 MB。

数据说明

计算网络分析提供了基于弥散成像纤维束追踪数据来分析大脑结构组织的新方法。网络以全局和局部指标为特征，这些指标近来为诊断以及进一步理解精神疾病和神经系统疾病提供了有前景的见解。这些指标大多基于这样一种观点：网络中的信息沿最短路径流动。与这一观点相反，通信性是一种更广泛的连通性度量，它假定信息可以在两个节点之间的所有可能路径上流动。在我们的工作中，首次在健康的结构性脑网络中探索了与通信性相关的网络指标特征。此外，还通过对特定节点和网络连接进行模拟损伤，分析了此类指标的敏感性。结果表明，在检测密集连接的节点以及易受损伤影响的节点子集方面，通信性相比传统指标具有优势。此外，通信性中心性被证明受到损伤的广泛影响，且这些变化与距损伤部位的距离呈负相关。总之，我们的分析表明，通信性指标可能有助于深入了解结构性脑网络的整合特性，并且这些指标可能有助于分析存在损伤时的脑网络。然而，通信性的解释并不简单；因此，这些指标应作为更标准的连通性网络指标的补充。

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。