Neuroimaging-Datenanalyse: Tools und Techniken für 2024

Albert Einstein sagte einst: „Probleme lassen sich nicht mit derselben Denkweise lösen, mit der sie entstanden sind.“ Diese Aussage trifft insbesondere auf die Analyse von Neuroimaging-Daten zu . Hier benötigen wir neue Ideen und modernste Technologien, um bahnbrechende Erkenntnisse über das Gehirn zu gewinnen.

Im Jahr 2024 wird sich die Neurobildgebung rasant weiterentwickeln. Neue Werkzeuge und Techniken werden eingeführt , um die Funktionsweise unseres Gehirns besser zu verstehen. Verbesserte Software zur Kartierung des Gehirns und maschinelles Lernen leisten hierbei einen wichtigen Beitrag.

Wir erforschen nun neue Wege zur Analyse von Hirndaten. Dabei konzentrieren wir uns auf multivariate Musteranalysen und funktionelle Magnetresonanztomographie (fMRT). Dank Fortschritten in Bereichen wie der Diffusions-Tensor-Bildgebung können wir selbst mit kleineren Datensätzen viel lernen.

Forscher können beispielsweise allein anhand von Gehirnscans von 40 bis 60 Personen Rückschlüsse auf die Denkfähigkeit einer Person ziehen. Dies ist großen Studien wie der ABCD-Studie zu verdanken, die MRT-Aufnahmen von 12,000 Kindern ^auswertet.

Es ist wichtig, dass sowohl Nachwuchswissenschaftler als auch erfahrene Neurowissenschaftler über diese Entwicklungen auf dem Laufenden bleiben. Mehr dazu erfahren Sie in diesem ausführlichen Leitfaden zu den Herausforderungen in der Neurobildgebung.

Im nächsten Schritt werden wir diese Trends genauer betrachten und sehen, wie sie Forschung und Behandlung verändern. Die Zukunft der neurobildgebenden Datenanalyse sieht vielversprechend aus, denn neue Methoden und KI werden unser Verständnis des Gehirns grundlegend verändern.

Wichtige Erkenntnisse

• 2024 bringt neue Werkzeuge und Techniken für Neurobildgebende Datenanalyse.
• Neue Methoden ermöglichen uns die Analyse mit weniger Teilnehmern.
• Die ABCD-Studie liefert uns viele MRTs zur besseren Analyse.
• Maschinelles Lernen verändert die Art und Weise, wie wir Daten sehen.
• Mithalten mit Neuroimaging Für Experten sind Neuigkeiten das A und O.
• Neue Methoden der Gehirnkartierung verbessern die Visualisierung.

Grundlegendes zur Analyse neurobildgebender Daten

Neuroimaging ist ein Schlüsselelement der Hirnforschung . Es ermöglicht Wissenschaftlern, Hirnaktivität und -struktur zu untersuchen. Die ersten Methoden wurden in den 1920er Jahren entwickelt. Heute ist die funktionelle Magnetresonanztomographie (fMRT) ein führendes Instrument, das uns Einblicke in die Funktionsweise des Gehirns gewährt.

Es gibt viele Arten von bildgebenden Verfahren des Gehirns, wie fMRI, Diffusions-Tensor-Bildgebung (DTI) und strukturelle MRT . Jedes dieser Verfahren hilft uns, das Gehirn besser zu verstehen, insbesondere im Bereich der psychischen Gesundheit.

Die Auswertung von Neuroimaging-Daten kann für Forschende eine Herausforderung darstellen. Einfache Methoden haben zwar geholfen, Hirnverbindungen zu identifizieren, reichen aber für eine detaillierte Analyse nicht aus² ^. Neuere Methoden wie die multivariate Musteranalyse (MVPA) und Deep Learning (DL) eignen sich besser zum Erkennen von Mustern. Diese Methoden nutzen komplexe Netzwerke, um die Datenanalyse zu verbessern.

Studien zur Hirngesundheit nutzen häufig bildgebende Verfahren (63.3 %). Sie konzentrieren sich auf die Messung von Hirnregionen und die Suche nach Schäden. Etwa 32.0 % dieser Studien kombinieren bildgebende Verfahren mit Tests, um ein umfassendes Bild zu erhalten³^.

Auch mit neuen Technologien bestehen weiterhin Herausforderungen. MRT-Bilder können unterschiedlich aussehen und sind schwer zu interpretieren. Tests allein können wichtige Erkenntnisse übersehen und sind mit höheren Kosten verbunden. Der fMRI-Datensatz der UK Biobank mit Daten von 34,606 Personen verdeutlicht das große Potenzial der Forschung. Er zeigt, wie wichtig die Datenanalyse für das Verständnis des Gehirns und die Behandlung von Hirnerkrankungen ist³^.

Neuroimaging-Datenanalyse: Tools und Techniken für 2024

Neuroimaging-Software wird stetig verbessert und bietet ab 2024 neue Werkzeuge und Techniken . Ein wichtiger Fortschritt ist der OpenNeuro Average (onavg) . Er basiert auf Daten von 1,031 Gehirnen aus 30 Datensätzen. Dieses Werkzeug ist besonders, da es Proben aus dem gesamten Gehirn erfasst und so Studien zum Gehirn und zu Erkrankungen wie Alzheimer ^unterstützt.

Auch bei der Untersuchung von Methoden zur Rauschunterdrückung in Bildern stechen einige Verfahren hervor. Patch2Self und Oversampling Local-PCA erzielen hervorragende Ergebnisse bei diffusionsgewichteten Bildgebungsverfahren mit 7T^⁵ . Diese Methoden verdeutlichen die stetige Verbesserung von Neuroimaging-Software und unterstützen Forschende bei der Verarbeitung komplexer Daten.

Das Ziel für 2024 ist, diese Tools benutzerfreundlich zu gestalten. Auf diese Weise können mehr Forscher mit fortschrittlicher Bildgebung des Gehirns arbeiten. Dies ist wichtig, um neue Entdeckungen zu machen und eine Community aufzubauen, die die Forschung im Bereich der Bildgebung des Gehirns vorantreibt.

Brain Mapping Software: Revolutionäre Datenvisualisierung

Software zur Kartierung des Gehirns revolutioniert die Datenvisualisierung in der Neurobildgebung. Diese Tools wandeln komplexe Daten in leicht verständliche Grafiken um. Dies hilft Forschern, verborgene Muster in den Verbindungen des Gehirns zu erkennen. Beispielsweise wurden in den letzten zehn Jahren 100 Artikel zur Diffusions-Tensor-Bildgebung (DTI) bei traumatischen Hirnverletzungen veröffentlicht, was die Bedeutung dieser Tools ^{unterstreicht}.

Moderne Software zur Hirnkartierung kombiniert verschiedene Bildgebungsverfahren hervorragend. Dadurch können Forscher das Gehirn detaillierter untersuchen, insbesondere in den frühen Stadien einer leichten traumatischen Hirnverletzung. Die multimodale Magnetresonanztomographie (MRT) spielt dabei eine Schlüsselrolle und hilft, diese Stadien zu differenzieren^⁶ . Auch die Suszeptibilitätsgewichtete Bildgebung (SWI) hat gezeigt, wie sich Verletzungen auf die Psyche von Soldaten auswirken und damit die Leistungsfähigkeit der Software in der Forschung unter Beweis gestellt ^⁶.

Bei der Datenvisualisierung geht es nicht nur darum, Bilder darzustellen , sondern auch darum, sie zu verstehen. Bessere Grafiken zeigen, wie sich Hirnschäden auf die Denkfähigkeit auswirken, insbesondere bei Patienten mit leichtem Schädel-Hirn-Trauma⁶ ^. Methoden wie die traktbasierte räumliche Statistik (TBSS) helfen, diese Zusammenhänge eingehend zu analysieren. Dies führt zu neuen Erkenntnissen über Hirnverletzungen und deren Messung nach einem ^Trauma⁶.

Je mehr wir uns damit beschäftigen, desto deutlicher wird der Einfluss neurowissenschaftlicher Bildgebungsdaten auf die globale Gesundheit. Studien wie die von Florence et al. (2022) zeigen, wie Bildgebung bei gesundheitlichen Problemen hilfreich ist^⁷ . Auch die Nutzung von Brain-Mapping-Software zur Verhaltensanalyse ist entscheidend, um zu verstehen, wie wir in verschiedenen Situationen reagieren. So untersuchten beispielsweise Yen und Chiang (2021) mithilfe von EEG und MRT die Auswirkungen von Werbung auf uns^⁷.

Durch die Kombination neuer Software zur Kartierung des Gehirns mit Datenvisualisierung können Forscher komplexe neuronale Daten nutzbar machen. Dieser Fortschritt trägt zu einer besseren Zusammenarbeit verschiedener Fachbereiche bei. Das bedeutet, dass die Zukunft der Neurobildgebung mehr umfasst als nur Daten. Es geht darum, diese Daten zu nutzen, um in der realen Welt etwas zu bewirken.

Analyse mittels funktioneller Magnetresonanztomographie (fMRI)

Die funktionelle Magnetresonanztomographie (fMRT) ist der Schlüssel zum Verständnis der Hirnaktivität . Sie nutzt verschiedene Methoden, um wichtige Erkenntnisse aus Hirnscans zu gewinnen. Zunächst bereinigen die Forschenden die Daten, um Rauschen und Fehler zu entfernen. Beispielsweise korrigierte ein Algorithmus in Studie 3155 Probleme mit Bewegungsartefakten und führte ^so zu genaueren Ergebnissen.

Nach der Datenbereinigung verwenden die Forscher statistische Methoden wie allgemeine lineare Modelle (GLM). Diese Methoden zeigen, wie verschiedene Aufgaben die Hirnaktivität verändern . Neuere Techniken, wie beispielsweise Actor-Critic-Modelle aus Studie 3156, liefern detailliertere Informationen über die Hirnnetzwerke von Tinnitus-Patienten nach der Behandlung^.

^{Verbesserungen in der fMRT ermöglichen eine präzisere Darstellung der Hirnfunktionen. Studie 3157 nutzte die sogenannte unabhängige Komponentenanalyse. Dabei wurden Veränderungen in den Hirnverbindungen bei adipösen Patienten nach einer} Gewichtsreduktionsoperation festgestellt.

Mit zunehmender Forschung wird fMRT immer individueller. Es hilft dabei, Behandlungen speziell für den jeweiligen Patienten zu entwickeln. Beispielsweise fand die Studie 3160 einzigartige Hirnmuster bei Kindern mit ^{Leseschwierigkeiten}.

Die funktionelle Magnetresonanztomographie (fMRI) ist ein führendes Instrument der Hirnforschung . Sie liefert tiefe Einblicke in Hirnfunktionen und -gesundheit. Weitere Informationen finden Sie in den detaillierten Forschungsergebnissen.

Diffusion Tensor Imaging (DTI) Methoden

Die Diffusions-Tensor-Bildgebung (DTI) ist eine Schlüsseltechnik zur Kartierung der weißen Substanz im Gehirn. Sie nutzt DTI-Methoden , um die Bewegung von Wassermolekülen im Gehirn zu verfolgen. Forscher messen diese Bewegung in verschiedenen Richtungen, häufig mit 6, 9, 33 oder 90 Messrichtungen. Je mehr Richtungen verwendet werden, beispielsweise 33 oder 90, desto genauer sind die ^Ergebnisse.

Die DTI berechnet auch den Wert der fraktionellen Anisotropie (FA), der den Gesundheitszustand der Axone widerspiegelt. Kinder weisen niedrigere FA-Werte auf als Erwachsene, insbesondere im Alter von fünf Jahren. Mit elf Jahren erreicht der Corpus callosum nahezu die FA-Werte Erwachsener. Danach können die FA-Werte mit zunehmendem Alter ^sinken.

Die Diffusions-Tensor-Bildgebung (DTI) geht über grundlegende Messgrößen hinaus und ermöglicht eine detaillierte Betrachtung der Hirnstruktur. Sie zeigt frühe Anzeichen von Hirnveränderungen bei leichter kognitiver Beeinträchtigung und Alzheimer^¹⁰ . Ähnliche Veränderungen werden bei Schizophrenie und bipolarer Störung beobachtet, was die DTI zu einem nützlichen Instrument für die Diagnose dieser Erkrankungen macht ^¹⁰.

Die DTI findet vielfältige Anwendung im medizinischen Bereich. Beispielsweise verbessern neue Methoden zur Korrektur von Bewegungsartefakten während der Scans die Datenqualität ^¹¹. Das Human Connectome Project mit Daten von 2,545 Personen zeigt, wie die Harmonisierung von Daten die Zuverlässigkeit der Ergebnisse erhöht ^¹¹.

Forscher arbeiten kontinuierlich an der Verbesserung der DTI-Bildgebung. Neue Techniken wie die bewegungsbasierte Korrektur auf Basis niedriger Ränge und effiziente Ray-Marching-Glyphen tragen dazu bei, die Bahnen der weißen Substanz besser darzustellen ^¹¹ . Diese Fortschritte machen die DTI zu einem leistungsstarken Werkzeug für die Erforschung der Gehirnentwicklung, von Verletzungen und Erkrankungen.

Strukturelle MRT-Verarbeitungstechniken

Kenntnisse über strukturelle MRT helfen uns, Verarbeitungstechniken in der Neurobildgebung besser anzuwenden. Wichtige Schritte wie Bildnormalisierung und Segmentierung sind entscheidend für ein korrektes Datenverständnis. Diese Schritte sind unerlässlich, um strukturelle Bilder für die tiefergehende Analyse vorzubereiten und uns die Variabilität des Gehirns aufzuzeigen.

Der Einsatz neuer Technologien kann die Verarbeitung von MRT-Daten beschleunigen. So hat beispielsweise der Supercomputer Fugaku die MRT-Verarbeitung deutlich zuverlässiger und effizienter gemacht. Er unterstützte unter anderem die Messung von Hirnregionen und die Segmentierung subkortikaler Strukturen^¹² . Tools wie FSL Version 6.0 ermöglichen es Forschern, Parameter wie die fraktionelle Anisotropie und die mittlere Diffusivität präzise zu messen^¹².

Die Verwendung gemeinsamer Datenstandards erleichtert zudem die standortübergreifende Zusammenarbeit von Forschern. Viele Labore nutzen den OpenfMRI-Standard, der den Datenaustausch vereinfacht und die Nutzung von Analysetools verbessert ^¹³ . Dies führt zu weniger Fehlern bei der Datenverarbeitung und genaueren Ergebnissen.

Durch die Analyse struktureller MRT- Daten haben wir mehr über die Entwicklung des Gehirns erfahren. Techniken wie die voxelbasierte Morphometrie zeigen uns, wie sich die Dichte der grauen Substanz unter verschiedenen Bedingungen verändert ^¹⁴ . Dies ist besonders wichtig für die Diagnose von Erkrankungen wie der Aufmerksamkeitsdefizit-Hyperaktivitätsstörung (ADHS).

Maschinelles Lernen für die Neurobildgebung: Ein Wendepunkt

Maschinelles Lernen revolutioniert die Neurobildgebung. Es hilft Forschern, Muster in komplexen Daten zu erkennen. Dies führt zu besseren Vorhersagen kognitiver Funktionen und Verhaltensweisen.

Aktuelle Studien zeigen, wie maschinelles Lernen und Neuroimaging zusammenwachsen. So befassen sich beispielsweise neun Artikel mit künstlicher Intelligenz in der Medizin, wobei zwei sich auf deren Auswirkungen auf neurologische Erkrankungen konzentrieren^¹⁵ . Diese Studien verdeutlichen, wie maschinelles Lernen bei der Diagnose und Behandlung von Erkrankungen helfen kann, etwa bei der Erkennung von Gliomen mittels MRT.

Fortschrittliche Algorithmen erleichtern das Verständnis von Daten aus der Neurobildgebung. Maschinelles Lernen hilft bei der Diagnose von Erkrankungen wie Alzheimer^¹⁵ . Es verbessert auch Systeme zur Fernüberwachung von Patienten und zeigt damit seine breite Anwendung im Gesundheitswesen.

Statistiken belegen die Bedeutung von maschinellem Lernen in der Neurobildgebung. Die Forschung an der Schnittstelle von künstlicher Intelligenz und Neurowissenschaften wächst rasant. Sie befasst sich sowohl mit den Herausforderungen der Diagnose als auch mit ethischen Fragen ^{^15,16}. Studien mit Support-Vektor-Maschinen und anderen Algorithmen haben eine hohe Genauigkeit bei der Gliom-Graduierung von bis zu 91 % gezeigt^¹⁶.

Mit den Fortschritten in der Neurobildgebung gewinnt maschinelles Lernen für die personalisierte Medizin und die automatisierte Datenanalyse zunehmend an Bedeutung . Diese Partnerschaft ermöglicht uns neue Erkenntnisse und verändert die neurologische Gesundheitsversorgung.

Multivariate Musteranalyse in der Neurobildgebung

Die multivariate Musteranalyse (MVPA) revolutioniert die Hirnforschung. Sie ermöglicht es Forschern, zahlreiche Variablen gleichzeitig zu untersuchen. Dies trägt zum Verständnis der Zusammenhänge zwischen Gehirn und Verhalten bei. MVPA ist insbesondere bei der Untersuchung von Hirnverbindungen leistungsfähiger als ältere Methoden.¹⁷

Neuroimaging-Verfahren wie die Ruhe-fMRI sind heute unerlässlich für die Erforschung von Krankheiten wie Alzheimer^¹⁸ . Diese Verfahren zeigen uns, wie das Gehirn bei Menschen mit diesen Krankheiten funktioniert.

Studien zeigen, dass MVPA auch bei kleinen Probandengruppen gut funktioniert ^¹⁹ . Beispielsweise wurden in einer großen Studie zur Gehirnentwicklung bei Kindern Scans von 12,000 Kindern verwendet. Die Forscher konnten die Gehirnfunktion bereits mit 5,000 Scans von 40 Kindern vorhersagen^¹⁹.

MVPA eignet sich hervorragend zur Früherkennung von Krankheiten wie Alzheimer. Dies unterstützt Ärzte bei der Behandlungsplanung und der Rekrutierung von Patienten für Studien ^¹⁸ . Die Auswertung von Hirnscan-Daten ist jedoch komplex. Die Wahl der geeigneten MVPA-Methode hängt von der Datenstruktur ab ^¹⁷. Verfahren wie LASSO helfen, wichtige Merkmale zu identifizieren und die übrigen zu ignorieren, wodurch die Analyse verbessert wird ^¹⁸.

Kurz gesagt: Der Einsatz der multivariaten Musteranalyse bei Gehirnscans stellt einen großen Fortschritt dar. Sie hilft Forschern und Ärzten, das Gehirn und seine Funktionen besser zu verstehen.

Echtzeit-fMRI: Erkenntnisse und Anwendungen

Die Echtzeit-fMRT ist ein großer Fortschritt in der Neurobildgebung. Sie ermöglicht es Forschern und Ärzten, die Hirnaktivität in Echtzeit zu beobachten. Dadurch erhalten sie während der Aufgabenbearbeitung unmittelbar Feedback, was die Behandlung vieler Erkrankungen erleichtert.

Die funktionelle Magnetresonanztomographie in Echtzeit (rt-fMRI) erfreut sich zunehmender Beliebtheit. Viele Einrichtungen verfügen jedoch nicht über die notwendige Ausrüstung^²⁰ . Glücklicherweise werden neue Technologien entwickelt. Unternehmen wie GE, Philips und Siemens stellen Scanner her, die rt-fMRI ermöglichen^²⁰.

Das Pyneal-Toolkit ist für die Echtzeit-Bildgebung von großer Bedeutung. Es handelt sich um eine kostenlose Software, die mit vielen Scannern kompatibel ist und die Überprüfung der Datenqualität unterstützt . ^²⁰ Forscher können ihre Studien mit Pyneal individuell anpassen, wodurch es zu einem wichtigen Werkzeug in der Hirnbildgebung wird.

Der Einsatz von maschinellem Lernen und Deep Learning in der Hirnbildgebung ist vielversprechend. Beispielsweise erzielt das Simplicial Attention Network (SAN) von Anqi Qiu bei bestimmten Aufgaben bessere Ergebnisse ^²¹ . BT Thomas Yeo und andere arbeiten daran, das optimale Verhältnis von Scanzeit und Stichprobengröße zu finden, um die Ergebnisse von Hirnbildgebungsstudien zu verbessern ^²¹.

Echtzeit-fMRT hat weitreichende Auswirkungen auf viele Bereiche. Es verändert die Art und Weise, wie wir Neurofeedback-Therapie, Rehabilitation und Forschung betreiben. Mit verbesserter Software und optimierten Scannern wird die Echtzeit-Bildgebung voraussichtlich auch den Umgang mit psychischer Gesundheit und Gehirntraining revolutionieren.

Cloudbasierte Neuroinformatik: Zukunft des Datenmanagements

Der Aufstieg der Cloud-basierten Neuroinformatik hat die Arbeitsweise von Neuroimaging-Forschern mit riesigen Datensätzen grundlegend verändert. In den letzten zehn Jahren hat die neurowissenschaftliche Forschung stark zugenommen, was zu mehr Teilnehmern und damit zu mehr Daten pro Person geführt hat^²² . Der korrekte Umgang mit diesen komplexen Daten ist entscheidend. Forscher nutzen Cloud-Tools zum Speichern und Verarbeiten von Neuroimaging-Daten, wodurch die Zusammenarbeit und der Datenzugriff erleichtert werden^²².

Plattformen wie brainlife.io bieten Forschern kostenlose und sichere Werkzeuge zur Analyse verschiedener neurobildgebender Verfahren wie MRT, MEG und EEG. Diese Plattformen vereinfachen die Datenverwaltung und -verarbeitung und lösen Probleme, die sich aus der Komplexität der Neurobildgebung und den damit verbundenen großen Datenmengen ergeben^²³ . Workshops zeigen, wie Cloud-Technologien den Fortschritt der Neurowissenschaften maßgeblich vorantreiben und verdeutlichen den starken Trend zur Nutzung dieser Werkzeuge ^²².

Die Umstellung auf Cloud-Systeme birgt jedoch große Hürden. Forschende haben oft mit Regelungen zu kämpfen, die kleinere Einrichtungen oder ärmere Länder besonders hart treffen. Eine Gruppe hat es sich zur Aufgabe gemacht, Forschende bei der Bewältigung dieser Probleme zu unterstützen und weist auf die Notwendigkeit eines klaren Plans wie der Evaluierungsmatrix ²² hin . Diese Matrix berücksichtigt Datenschutz, Datenkomplexität und den Bedarf an Datenaustausch ²³.

Fazit

Mit Blick auf die Zukunft der neurobildgebenden Datenanalyse zeichnen sich große Veränderungen ab. Diese Veränderungen eröffnen neue Wege zum Verständnis des Gehirns und tragen zur Behandlung von Gesundheitsproblemen bei. Mit 16 Publikationen zu diesem Thema haben wir ^bereits viel über Gehirnfunktionen und -erkrankungen gelernt.

Neue Verfahren wie fMRI und der Online-Datenaustausch tragen zu besseren Forschungsergebnissen bei ^²⁵ . Dadurch wird die Vertrauenswürdigkeit der Daten sichergestellt und Probleme in der Hirnbildgebung werden gelöst.

Zukünftige Arbeiten werden sich auf eine verstärkte Zusammenarbeit konzentrieren. Der Einsatz von Open-Source-Software und der Austausch von Daten werden zu besseren Ergebnissen führen ^²⁵ . Techniken wie MRT, PET und EEG werden uns helfen, Krankheiten besser zu verstehen ^²⁶.

Diese Fortschritte werden unser Wissen über das Gehirn vertiefen und uns helfen, Menschen besser zu verstehen. Neuroimaging ist ein Schlüsselfaktor in der medizinischen Forschung und wird zur Lösung großer Gesundheitsprobleme beitragen.

Quellenlinks

1. https://www.sciencedaily.com/releases/2024/06/240617173403.htm
2. https://www.frontiersin.org/journals/neuroimaging/articles/10.3389/fnimg.2022.981642/full
3. https://apertureneuro.org/article/118576-a-trifecta-of-deep-learning-models-assessing-brain-health-by-integrating-assessment-and-neuroimaging-data
4. https://medicalxpress.com/news/2024-07-template-human-brain-neuroimaging-analysis.html
5. https://submissions.mirasmart.com/ISMRM2024/Itinerary/?Refresh=1&ses=D-181
6. https://brainmappingsolutions.com/
7. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10381462/
8. https://submissions.mirasmart.com/ISMRM2024/Itinerary/?Refresh=1&ses=D-199
9. https://www.ncbi.nlm.nih.gov/books/NBK537361/
10. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5897194/
11. https://submissions.mirasmart.com/ISMRM2024/Itinerary/?Refresh=1&ses=D-208
12. https://arxiv.org/html/2407.11742v1
13. https://www.nature.com/articles/sdata201644
14. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9090677/
15. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC11224934/
16. https://www.nature.com/articles/s41598-024-68291-0
17. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3001346/
18. https://www.frontiersin.org/journals/medicine/articles/10.3389/fmed.2024.1412592/full
19. https://today.ucsd.edu/story/a-new-approach-to-neuroimaging-analysis
20. https://www.frontiersin.org/journals/neuroscience/articles/10.3389/fnins.2020.00900/full
21. https://sites.google.com/view/neuroimaging2024/program
22. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8486426/
23. https://www.nature.com/articles/s41592-024-02237-2
24. https://www.frontiersin.org/journals/neurology/articles/10.3389/fneur.2020.00257/full
25. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9124226/
26. https://www.intechopen.com/chapters/85902