在多个站点之间协调神经影像数据。使用sklearn格式实现neurocombat
项目描述
NeuroCombat-sklearn
在scikit-learn兼容格式中实现Combat协调方法。
Combat协调/标准化方法使用参数经验贝叶斯框架来稳健地调整数据以消除站点/批次效应。使用scikit-learn兼容格式以促进在机器学习项目中使用此协调方法。
该存储库由伦敦国王学院的Walter Hugo Lopez Pinaya和社区贡献者开发。
安装
要求
- Python (>= 3.5)
- Scikit-Learn (>= 0.21.0)
用户安装
如果您已经安装了numpy和scipy,安装neurocombat-sklearn最简单的方法是使用pip
pip install neurocombat-sklearn
引用
如果您发现此代码对您的研究有用,请引用
@article{fortin2018harmonization,
title={Harmonization of cortical thickness measurements across scanners and sites},
author={Fortin, Jean-Philippe and Cullen, Nicholas and Sheline, Yvette I and Taylor, Warren D and Aselcioglu, Irem and Cook, Philip A and Adams, Phil and Cooper, Crystal and Fava, Maurizio and McGrath, Patrick J and others},
journal={Neuroimage},
volume={167},
pages={104--120},
year={2018},
publisher={Elsevier}
}
@article{johnson2007adjusting,
title={Adjusting batch effects in microarray expression data using empirical Bayes methods},
author={Johnson, W Evan and Li, Cheng and Rabinovic, Ariel},
journal={Biostatistics},
volume={8},
number={1},
pages={118--127},
year={2007},
publisher={Oxford University Press}
}
免责声明
基于
项目详情
下载文件
下载适用于您的平台文件。如果您不确定选择哪个,请了解有关安装软件包的更多信息。
源代码分发
neurocombat-sklearn-0.1.3.tar.gz (5.9 kB 查看散列值)
构建版本
关闭
neurocombat-sklearn-0.1.3.tar.gz 的哈希
算法 | 哈希摘要 | |
---|---|---|
SHA256 | 8787bf8e2b4a7313fe38c3ac34f5303497864e5f66482769affd14ae66cf9dc4 |
|
MD5 | e7a5df7cc033ea977b46837d7ce6b2ee |
|
BLAKE2b-256 | d7b63e9170d01b6c34f4940cbf81d00aaa91f25a7631a75ba36db928f44f1ef5 |
关闭
neurocombat_sklearn-0.1.3-py3-none-any.whl 的哈希
算法 | 哈希摘要 | |
---|---|---|
SHA256 | f9e2bd111dec926cf11078e2888e191e12ff6ae7b61b772aad07fbebad72d646 |
|
MD5 | ac41d471abfbf570ffba041a264fd376 |
|
BLAKE2b-256 | 52022057ba2d18c35ba36c11f9de4b383c465c99deeffdc2765aedeb9bcf6c9d |