ADNI Series
1、【ADNI】數據預處理（1）SPM，CAT12
2、【ADNI】數據預處理（2）獲取 subject slices
3、【ADNI】數據預處理（3）CNNs
4、【ADNI】數據預處理（4）Get top k slices according to CNNs
5、【ADNI】數據預處理（5）Get top k slices (pMCI_sMCI) according to CNNs
6、【ADNI】數據預處理（6）ADNI_slice_dataloader ||| show image
ADNI
ADNI是目前研究阿爾茨海默症的權威數據中心，它在2004年由美國國家衛生研究所和國家老年問題研究所共同資助建立而成，致力於收集整理阿爾茨海默症病人數據，跟蹤病人的發病過程，發掘發病過程的變化與原由，以揭示阿爾茨海默症的發病原理，尋找治癒方案。截止2017年10月，ADNI已經獲取了超過2000志願者的神經影像數據，其中，有超過400人已經連續跟蹤36個月，其餘志願者仍在持續跟蹤。
ADNI的數據目前分爲四個階段，ADNI-GO、ADNI-1、ADNI-2和ADNI-3，其中ADNI-GO與ADNI-1爲基線數據，ADNI-2與ADNI-3主要爲後續跟蹤數據和新加入的模態數據（如新型示蹤劑下的PET）等。
MRI 相關的數據庫
ADNI：http://adni.loni.usc.edu/
OASIS：http://www.oasis-brains.org/
數據集參考網址：
精華彙總：醫學數據集及機器學習項目：http://bbs.pinggu.org/thread-6367557-1-1.html
CAT12
CAT12: A Computational Anatomy Toolbox for SPM (http://dbm.neuro.uni-jena.de/cat/)
去除顱骨，自動分割爲：灰質，白質，腦脊液；
SPM
SPM12: Statistical Parametric Mapping Toolbox (http://www.fil.ion.ucl.ac.uk/spm/software/ spm12/)
將灰質圖像配準到AAL模板上
（說明：本文提到的CAT12和SPM都是基於Matlab的一個擴展工具包）
預處理流程的步驟
1、格式轉換：DICOM 是目前神經影像採集重建後存儲的通用數據格式，從ADNI數據集中採集到的MRI 和PET 原始圖像可能爲DICOM 格式。爲了得到便於後續操作的數據格式：NIfTI，擴展名爲.nii。圖像預處理需要使用FSL、SPM 等工具對採集到的圖像完成從DICOM 到NIfTI 數據格式的轉換。
2、校正：校正步驟操作主要是前連合(AC)-後連合(PC)校正。我們使用MIPAV 軟件進行AC–PC 校正, 重採樣圖像採用標準的256×256×256 模式,之後使用N3 算法去校正非均勻的組織強度。通過AC–PC 校正校正之後的圖像，我們還需實施頭骨剝離、小腦切除操作。
3、頭骨去除和小腦切除：MRI 和PET 的原始圖像中都包含着一些非腦結構，比如頭骨等。爲避免增加運算量，也避免影像後續預處理，影響實驗結果，需要在圖像預處理操作中將圖像中的頭骨等非腦結構移除。本文采用SPM 工具中的CAT12 工具包完成去除頭骨的操作。
4、異源圖像配準：這一預處理操作步用來完成異源影像數據的配準，如：MRI 的T1 回波時間圖像和T2 回波時間圖像配準、MRI 與PET 配準。由於待配準的圖像屬於不同類的數據差異很大，所以我們採用更準確、魯棒的基於互信息的配准算法完成這一操作，最小二乘法已經不再適用。
5、圖像分割：在MRI 圖像處理時，有時只關注某些特定區域的狀態，這就需要根據大腦的解剖結構將目標部位的組織提取出來。在預處理流程中，我們將MRI 按腦灰質、白質、腦脊液結構分割成爲3 個不同的圖像，再進行單獨或聯合分析。這是因爲這三個組織在大腦中有着不同的功能，在受到AD 或MCI 影響後也有不同的形態學的改變，需要各自提取特徵。因此這一步驟需要用到圖像分割算法。
6、標準化：標準化是將前面預處理流程的圖像配準到標準腦模版空間MNI(Montreal Neurological Institute)上，統一所有圖像的座標空間。MNI 空間是基於大量的正常被試的MRI 掃描平均得到的新的標準腦，是大腦圖像標準化常用到的模版。標準化用到的算法是非剛體配准算法，包括仿射變換與非線性變換等。
7、平滑處理：在完成上述一系列處理後，還需要將圖像做一次平滑處理，以抑制功能像的噪聲，提高信噪比，減少各圖像間仍殘餘的解剖結構或功能上的不同。通常，平滑處理採用的函數是高斯核（標準方差）函數。此外，根據經驗和實踐嘗試，我們使用64×64×64 的像素立方體對灰質密度圖像和PET 圖像進行下采樣，這種處理可以節約運算時間和內存消耗，而且沒有損失分類精度。
Reference：
https://blog.csdn.net/weixin_38533896/article/details/80020811