从皮质纹状体连接预测局部纹状体奖赏信号
该集合包含论文中呈现的观测对比、由结构连接预测的对比图,以及观测与预测对比之间的平均绝对误差(MAE)。所有图谱均在单被试水平上计算,归一化至 MNI 空间,并取平均

基本信息
资源简介
从皮质纹状体连接预测局部纹状体奖赏信号
该数据集名为 Predicting local striatal reward signals from corticostriatal connectivity,收录于 neurovault.org,并在本站归入神经系统疾病 / 其他类别。其核心内容围绕论文中呈现的观测对比、由结构连接预测的对比图,以及观测与预测对比之间的平均绝对误差(MAE)展开。所有图谱均在单被试水平上计算,随后归一化至 MNI 空间并取平均。整体而言,该数据集提供了从皮层-纹状体连接预测局部纹状体奖赏信号的对比图与误差评估结果,可用于考察结构连接与功能/奖赏相关信号之间的对应关系,并为相关神经影像分析提供可复用的图谱资源。
【数据集背景】
该数据集来自 neurovault.org,主题为从皮层-纹状体连接预测局部纹状体奖赏信号。其背景与论文中呈现的观测对比和预测对比有关,目标在于呈现结构连接预测与观测结果之间的对应关系。本站将其归入神经系统疾病 / 其他类别。除上述信息外,源站未提供更详细的背景说明。
【数据内容】
该集合包含三类内容:一是论文中呈现的观测对比;二是由结构连接预测的对比图;三是观测与预测对比之间的平均绝对误差(MAE)。所有图谱均在单被试水平上计算,归一化至 MNI 空间,并取平均。除这些内容外,源站未提供关于图谱数量、具体对比类型、受试者数量或文件格式的更多说明。
【采集与来源】
数据来源站为 neurovault.org。源站描述表明,该集合包含论文中呈现的观测对比、由结构连接预测的对比图以及观测与预测对比之间的 MAE。所有图谱均在单被试水平上计算,归一化至 MNI 空间,并取平均。关于采集设备、扫描参数、被试群体、结构连接计算方法等,源站未提供。
【适用场景】
基于现有信息,该数据集适用于展示和复用与皮层-纹状体连接预测局部纹状体奖赏信号相关的对比图、预测图及误差图。由于所有图谱均归一化至 MNI 空间并取平均,可用于在标准空间中进行可视化、比较或作为后续分析的参考图谱。关于具体适用疾病、临床诊断或特定研究设计,源站未提供。
【使用方法】
该数据集以观测对比、结构连接预测对比以及两者之间的 MAE 为主要内容,所有图谱均在单被试水平计算、归一化至 MNI 空间并取平均。使用者可据此查看观测与预测之间的差异,并利用 MAE 评估预测对比与观测对比之间的平均绝对误差。关于具体的加载方式、软件工具、坐标系统版本或分析流程,源站未提供。
【质量与限制】
该数据集提供了观测对比、预测对比以及观测与预测之间的 MAE,所有图谱均在单被试水平计算、归一化至 MNI 空间并取平均。这些信息可用于评估预测对比与观测对比之间的一致性。但关于样本量、被试特征、扫描质量、预测模型的具体性能、统计阈值或潜在偏差,源站未提供。因此,使用时应结合原始论文和源站信息进一步确认适用范围与局限性。
【引用与许可】
该数据集来源于 neurovault.org,英文名称为 Predicting local striatal reward signals from corticostriatal connectivity。关于引用方式、作者列表、许可协议或使用条款,源站未提供。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载,适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档,适合快速预览和评估数据集质量。
免登录当前数据集主要来源为 Kaggle 公开托管,完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站:https://neurovault.org/collections/1381
标准获取流程:
- 访问源站链接,注册/登录账号;
- 进入数据集详情页,按页面指引申请权限或直接下载;
- 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。
- OpenDataLab:
数据说明
该数据集包含论文中呈现的观察对比度、由结构连接预测的对比度图,以及观察对比度与预测对比度之间的平均绝对误差(MAE)。所有图均在单个受试者水平上计算,归一化至MNI空间,并进行了平均处理。
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。
需要用于商业化训练或医疗器械注册(NMPA/FDA)?
公开数据往往缺乏完整的病理回证与专家标注。千方医数集依托陕川双基地与超十家三甲医院直连,提供完全合规、去标识化、支持注册级质控的专病数据集交易服务。




