脑结构网络分析中网络可通信性指标的验证

数据集获取

源站：https://search.dataone.org/view/sha256%3A22c767f4626f71a55f800e38b2b23a48c1fcf0c283c48b6b566b75ce3e450fb1

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。

数据说明

计算网络分析为基于扩散成像纤维束追踪数据解析大脑结构组织提供了新方法。网络通过全局和局部指标来表征，这些指标近来为诊断及深入理解精神疾病和神经系统疾病提供了有希望的见解。这些指标大多基于网络中信息沿最短路径流动的理念。与此观念不同，通信性是一种更广泛的连通性度量，它假设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，首次在健康的结构脑网络中探索了与通信性相关的网络指标特征。此外，通过模拟对特定节点和网络连接的损伤，分析了此类指标的敏感性。结果显示，与传统指标相比，通信性在检测高度连接的节点以及子集……方面具有优势。

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。