nipy_tsdiffana - آنلاین در ابر

برنامه:

نام

nipy_tsdiffana - تجزیه و تحلیل، نمودارهای تفاوت سری زمانی

شرح

استفاده: nipy_tsdiffana [-h] [--out-file OUT_FILE] [--write-results]

[--out-path OUT_PATH]
[--out-fname-label OUT_FNAME_LABEL] [--time-axis TIME_AXIS] [--slice-axis
SLICE_AXIS] نام فایل

تجزیه و تحلیل، نمودار تفاوت سری زمانی

موقعیتی استدلال ها:
نام فایل
نام فایل تصویر 4 بعدی

اختیاری استدلال ها:
-h, --کمک
این پیام راهنما را نشان داده و خارج شوید

-- خارج از فایل OUT_FILE
فایل گرافیکی برای نوشتن به جای گذاشتن تصویر روی صفحه

--نوشتن-نتایج
اگر مشخص شده است، تصاویر تشخیصی و متغیرهای تجزیه و تحلیل را بنویسید، به OUT_PATH رسم کنید.
به طور متقابل با OUT_FILE ناسازگار است

-- خارج از مسیر OUT_PATH
مسیر فایل های تصویری خروجی (پیش فرض از مسیر FILENAME

--out-fname-label OUT_FNAME_LABEL
قسمت میانی نام فایل تصویر/نقشه خروجی

--محور زمان TIME_AXIS
محور تصویر برای زمان

-- برش محور SLICE_AXIS
محور تصویر برای برش

nipy_tsdiffana الگوریتم تفاوت سری زمانی را روی حجم تصویر 4 بعدی اجرا می کند، اغلب و
حجم FMRI

در یکی از سه حالت کار می کند:

* تعاملی: طرح اختلاف سری زمانی روی صفحه ظاهر می شود. این است

حالت پیش فرض

* غیر تعاملی، فقط طرح: نوشتن طرح تفاوت سری زمانی به گرافیک

فایل. از "--out-file=" استفاده کنید " گزینه ای برای فعال کردن این حالت

* غیر تعاملی، نوشتن نمودار، تصاویر و متغیرها: نوشتن طرح به فایل، و

همچنین تصاویر و متغیرهای تشخیصی تولید شده را روی فایل ها بنویسید. استفاده کنید
برای فعال کردن این گزینه پرچم "--write-results" را علامت بزنید. نام فایل های تولید شده از
نتایج گزینه های "--out-path" و "--out-fname-label" (به راهنما مراجعه کنید).

گزینه Write-Results، فایل های تولید شده -------------------------------------

هنگام انجام تجزیه و تحلیل نقطه زمانی، ما بین هر زمان یک مقدار تفاوت ایجاد می کنیم
نقطه و نقطه زمانی بعدی در سری. اگر حجم T داشته باشیم، وجود خواهد داشت
(T-1) حجم های تفاوت. بردار اختلاف حجم ها را DV و اولی صدا بزنید
اختلاف حجم DV[0]. بنابراین DV[0] از تفریق جلد دوم در 4D حاصل می شود
تصویر ورودی از جلد اول در تصویر ورودی 4 بعدی. مقادیر مجذور عناصر
از DV[0] *DV2[0]* است.

تصاویر زیر تولید خواهد شد. پسوند نام فایل ورودی است (مثلا
'.nii'):

* "dv2_max_ " : حجم تصویر سه بعدی، جایی که هر برش S برشی از آن است

همه DV2[0] (برش S) از طریق DV2[T-1] (برش S) که حداکثر جمع را دارد
مقادیر مربع این حجم ایده ای از بدترین (بالاترین تفاوت) برش ها را ارائه می دهد
در کل سری های زمانی

* "dv2_mean_ " : میانگین تمام حجم های DV2 DV2[0] .. DV[T-1]

در طول بعد حجم (زمان).
مقادیر وکسل بالاتر در این حجم به معنی است

که تفاوت زمان به نقطه زمانی در این وکسل زیاد است.

همچنین سیگنال میانگین را در هر نقطه زمانی، و میانگین مجذور اختلاف بین را می نویسیم
هر برش در زمان، به عنوان متغیرهای یک فایل 'npz' به نام "tsdiff_ .npz"

نام فایل ها برای خروجی ها به شکلی هستند /
جایی که مسیری است که توسط -- خارج از مسیر گزینه یا مسیر ورودی
نام فایل؛ یکی از پیشوندهای استاندارد بالا است، توسط داده شده است
--خارج از برچسب، یا با نام فایل تصویر ورودی (با حذف مسیر و پسوند) و
برای گرافیک ".png" یا پسوند نام فایل ورودی برای حجم است
تصاویر. به عنوان مثال، مشخص کردن تنها نام فایل ورودی ``/some/path/fname.img``
ایجاد نام فایل به شکل ``/some/path/tsdiff_fname.png،
/some/path/dv2_max_fname.img`` و غیره

با استفاده از خدمات onworks.net از nipy_tsdiffana آنلاین استفاده کنید