本页对应 BrainFC 0.5.1 的实际实现，说明每一步的输入、算法、调用函数和参数。先阅读总览与示例；复现实验时按参数表和输出记录核对。完整签名与返回值见 API 参考，时序清理细节见 处理方法。
| 现有数据 | 从哪里开始 | 必须确认 |
|---|---|---|
| 原始 DICOM | scan_dicom() → convert_dicom_python() → preprocess_fmri() |
主 BOLD 与同一人的 T1 序列；不是定位像、场图或反向短序列 |
| 原始 NIfTI / BIDS | inspect_raw() → preprocess_fmri() |
4D 静息态 BOLD、匹配 3D T1、采集 JSON；BIDS 可用 discover_raw() 找候选 |
| 已完成空间预处理的影像 | extract_connectome() |
实际空间与图谱一致；混杂表和去噪历史。preprocessed=True 是调用者声明，不会触发空间预处理 |
| 已分区 ROI 时序 | extract_connectome() |
行是时间、列是 ROI；是否已经滤波/回归，避免重复清理 |
| 已有功能连接矩阵 | brainfc.network.load_data(..., kind="connectivity", matrix_kind="correlation") → analyze() |
矩阵含义、ROI 顺序；不要把方阵当时序再次求相关 |
DICOM ──转换──> BOLD + T1 + 采集 JSON
│
检查 TR、切片时间和几何
│
层间时间校正 → 逐帧头动估计
│
T1 N4 → 脑提取 → 组织分割 → T1 到 MNI
│
BOLD 到 T1 → 合成逐帧变换 → 2 mm 标准空间
│
组织混杂、FD/DVARS → 可选平滑 → 人工质控
│
已预处理影像 ──> ROI 均值
├── 已分区时序从此处进入
初始帧剔除 → 联合去趋势/滤波/回归/删帧
│
完整有符号 FC + Fisher-z
│
保存与可视化 / 普通图 / 可选原生超图
空间输出 BOLD 尚未进行 ROI 时序去噪；result.timeseries 才是清理后的 ROI 信号。空间阶段保留全部帧，discard 在连接提取阶段实际移除。普通图与超图均可直接从完整 FC 构建，超图不依赖普通图先筛选出来的边。
在已有 Python 3.11–3.13 的 conda 环境中安装即可，无需重装 Python：
python -m pip install -U brainfc
brainfc serve界面选择“原始 NIfTI / BIDS”或“原始 DICOM”，依次完成 选影像 → 确认方案 → 预处理 → 检查质控 → 功能连接。原始 NIfTI 只需 BOLD 和同一人的 T1；同名采集 JSON 自动读取。DICOM 文件夹先识别序列，确认 BOLD 与 T1。输出目录自动安排。
所有计算通过 Python 包完成。ANTsPy 的编译内核随 wheel 安装，不需要 MATLAB、SPM、Docker、FreeSurfer 许可证或独立命令行工具。首次使用会下载约 1.5 MB 的 TemplateFlow 模板；Schaefer 图谱另行缓存。
以下分两次执行，保留人工质控环节。示例选择丢弃开头 5 帧，不是所有扫描的默认要求；实际默认值为 0。TR 和切片时间不手填，优先读取扫描元数据。
from brainfc import PreprocessConfig, inspect_raw, preprocess_fmri
settings = PreprocessConfig(discard=5, smoothing_fwhm=0, seed=42)
plan = inspect_raw("bold.nii.gz", "t1w.nii.gz", config=settings)
if not plan["ready"]:
raise ValueError(plan["missing"]) # 按采集记录补充元数据或明确选择跳过
run = preprocess_fmri(
"bold.nii.gz",
"t1w.nii.gz",
"results/preprocessed-01", # 必须是新目录
config=settings,
progress=print,
)
print(run.directory / "qc.html")先打开上面的 qc.html，按第 8 节检查。 通过后再执行下面代码；重新打开 Python 也可继续，不必重复空间预处理。
from brainfc import Config, load_preprocessed
from brainfc.network import AnalysisConfig
from brainfc.network.export import export_result
run = load_preprocessed("results/preprocessed-01") # 验证输出完整性和 SHA-256
result = run.extract(
"schaefer100",
config=Config(
high_pass=0.01, low_pass=0.1, # Hz；显式写明，便于复现
detrend=True, standardize=True,
discard=run.provenance["config"]["discard"],
fd_threshold=None, min_samples=20, method="pearson",
),
qc_reviewed=True,
)
result.save("results/connectome-01") # 新目录；完整矩阵、时序、质控与图像
network = result.analyze_network(AnalysisConfig(
graph_method="density", density=0.1,
compute_hypergraph=False, # 此例只构建普通图；超图用法见第 7 节
))
export_result(network, "results/network-01.zip")
print(result.connectivity.shape, result.timeseries.shape)
print(result.provenance["config"]) # 实际绑定后的 TR、空间、回归列等
print(result.sample_indices) # 原始帧号，从 0 开始这里 run.extract() 自动传入标准空间脑掩膜、图谱标签及 14 列运动矩阵/WM/CSF 混杂，无需重新填写路径或空间。图谱与模板首次下载后缓存。上述代码没有启用 GSR 或 FD 阈值删帧。
要求单回波、恒定 TR 的 4D 静息态 BOLD 和匹配的 3D T1，具有有效 qform/sform、毫米单位、正交体素轴。未实现多回波合并、变 TR / 稀疏采样、畸变校正和表面重建。原始 DWI 不属于此入口。成人 MNI 模板是否适用于儿童、明显病变等数据，需要独立确认。
TR 按实际采集 JSON / 影像头读取；数值冲突时停止。切片时间采用 BIDS 的秒，支持多带相同时间；负的 SliceEncodingDirection 会反转时间列表。切片维度由 JSON 或 NIfTI dim_info 读取。只有可靠元数据缺失时才需要补充；不按奇偶层数猜采集顺序。BIDS 继承元数据需先整理为该次扫描的独立 sidecar。
| 参数 | 默认值 / 单位 | 如何设置与实际作用 |
|---|---|---|
t_r |
None / 秒 |
自动读取 JSON/影像头；仅在有可靠采集记录时补充。显式值与已有元数据冲突会停止，不强行覆盖 |
slice_timing |
"auto" |
auto / require 均要求可用的切片时间与维度；skip 明确跳过并记录。没有猜测“奇数先”或“偶数先” |
slice_axis |
None |
原始 NIfTI 的空间维度 0/1/2；优先读取 SliceEncodingDirection 或 dim_info，不是显示器上的上下方向 |
reference |
0.5 / TR 比例 |
所有切片移到一个 TR 内的这一时间点，范围 [0,1)；例如 TR=2 s 时对应 1 s |
discard |
0 / 帧 |
根据采集协议和稳态情况决定；开头这些帧不参与头动参考均值，仍做空间处理，提取时再删除；不是自动稳态检测 |
smoothing_fwhm |
0.0 / mm |
0 关闭；非负空间高斯 FWHM。是否平滑及宽度由图谱尺度和研究方案决定；会影响 ROI 信号，不应用于 WM/CSF 混杂提取 |
seed |
42 / 整数 |
非负 ANTs 随机种子；记录软件与线程环境，不能据此保证跨平台逐位一致 |
preprocess_fmri() 的 sidecar 可指定采集 JSON，默认找与 BOLD 同名的 JSON；t1_mask 可传独立脑掩膜，必须与输入 T1 原始网格匹配；template_dir 只改变缓存位置，不更换模板种类或分辨率。progress 接收进度字符串。输出目录必须不存在，失败目录保留用于排查。
疾病/队列名称不能决定 TR、切片顺序或去噪策略。ABIDE、ADNI、ADHD-200、MDD、PPMI 的预设只提供有来源的采集参考，扫描元数据优先，详见 预设依据。
用户只需调用 preprocess_fmri()。下表列出它内部调用的函数；其中 N4、SyN、Atropos 等低层设置目前固定在实现中，不是可直接传给 PreprocessConfig 的参数。算法细节以固定依赖 ANTsPy 0.6.3 和 流水线源码 为准。
| 步骤 | 实际调用 | 设置、输入与输出 |
|---|---|---|
| DICOM 转换（如需） | convert_dicom_python()；pydicom + dicom2nifti |
联影 UIH 拼图按每层位置与时间解码；标准 TE/TR 毫秒转秒；序列与回波分开，输出 NIfTI + 最小采集 JSON |
| 层间时间校正 | brainfc.raw.temporal.slice_time_correct()；SciPy FFT |
两端各反射填充 T 帧，逐切片移到 reference × TR，保留全部帧索引。明确跳过时省略此步 |
| 头动估计 | ants.motion_correction() |
type_of_transform="BOLDRigid"、fdOffset=50；初始参考为去除指定开头帧后的均值，再用校正后的对应帧均值作 BOLD 参考；保存每帧刚体矩阵 |
| T1 偏置与脑提取 | ants.resample_image()、ants.n4_bias_field_correction()、ants.registration() / apply_transforms() |
T1 工作网格 1.5 mm；N4 shrink_factor=2、迭代 [30,20,10]、容差 1e-6。没有独立掩膜时，整头 SyN 后逆传播模板掩膜，保留最大连通部分并填孔；脑内再 N4 |
| 组织分割 | ants.atropos() |
i="KMeans[3]"、m="[0.2,1x1x1]"、c="[5,0]"；按 T1 类别平均强度由低到高指定 CSF / GM / WM，不是 SPM 的组织先验模型 |
| T1 标准化 | ants.registration() |
去颅骨 T1→MNI152NLin6Asym；type_of_transform="SyN"、reg_iterations=(60,40,20)，模板脑掩膜约束；整头预配准也用相同 SyN 迭代 |
| BOLD 与 T1 对齐 | nilearn.masking.compute_epi_mask()、ants.registration() |
BOLD 参考信号掩膜 opening=1；masked BOLD→脑 T1，type_of_transform="Rigid"、aff_iterations=(1000,500,250,100)；互信息度量继承固定 ANTsPy 版本默认 |
| 脑覆盖与重采样 | ants.apply_transforms() |
标准化 EPI 掩膜与模板脑掩膜取交集，覆盖率 <50% 停止；合成 T1 标准化、BOLD→T1 和逐帧头动变换，从层间时间校正后的输入只做一次最终空间插值，2 mm、线性插值 |
| 混杂提取 | SciPy binary_erosion()、ants.apply_transforms()、NumPy 均值 |
WM/CSF 概率 >0.9；在 T1 工作网格腐蚀 1 体素，最近邻变换并与覆盖掩膜相交，各至少 20 体素；从未平滑标准空间 BOLD 提取均值 |
| FD / DVARS | 头动结果中的 FD；NumPy 时间差分 |
ANTs generalized FD；DVARS 是相邻帧脑内体素强度差的均方根，未标准化、单位随原始强度；两者首帧写为 n/a |
| 可选平滑 | scipy.ndimage.gaussian_filter() |
逐帧三维高斯，FWHM 换算为各轴体素 sigma；默认关闭；此后写入空间预处理 BOLD |
| 报告 | brainfc.raw.quality.write_qc() |
对齐、组织与头动图，以及 qc.html；不会自动把运行成功判成影像质量合格 |
ANTs 使用 LPS 物理坐标，NiBabel 使用 RAS；影像适配器通过 NIfTI 保存几何，已设旋转坐标往返测试。图像变换和点变换有不同方向约定，不能把变换列表反向后直接当成逆变换。
该实现参考教程的步骤组织，不声称与 SPM、DPABI 或 fMRIPrep 数值等价。切片插值边界、配准优化、组织分割和运动混杂模型均有明确差异。
配准种子通过 ANTsPy 0.6.3 的配置接口传入底层 ANTs；仅向 registration() 传旧版 random_seed 关键字在该版本不会生效。结果记录种子、库版本和 ITK 线程环境，跨平台或多线程计算不保证逐位一致。实际验证范围见 0.5.0 验证记录。
| 设置 | run.extract(config=None) |
extract_connectome(..., config=None) / 显式 Config() |
网页新建提取方案 |
|---|---|---|---|
| 高通 / 低通 | 0.01 / 0.1 Hz | None / None，不滤波 |
初始留空，不滤波；以确认页实际值为准 |
| 去趋势 / 标准化 | 开 / 样本 z-score | 开 / 样本 z-score | 初始均开；选择“上游已去噪”会关闭重复清理 |
| 初始帧 | 继承空间预处理的 discard |
0 | 原始流程继承 discard |
| 回归列 | 默认 14 列（12 列运动矩阵/偏移 + WM/CSF） | 没有 confounds 则不回归；有表时识别完整 motion6 + 可用 WM/CSF，其他模型需指定列 | 原始流程自动带入 14 列；外部影像按提供的表及确认策略 |
| FD 删帧 | 关闭 | 关闭 | 初始关闭 |
| 相关方法 / 最少帧数 | Pearson / 20 | Pearson / 20 | Pearson / 20 |
显式 Config 是完整配置，不是对便捷默认值的局部补丁。 例如 run.extract(config=Config(discard=5), ...) 会关闭带通；若要保留，应同时写 high_pass=0.01, low_pass=0.1。网页和 Python 共用计算核心，但初始化默认值不同；比较结果必须比较最终配置。
run.extract(atlas="schaefer100") 调用 fetch_atlas()，再调用 extract_connectome()；默认 Schaefer 100，可选同一 MNI152NLin6Asym 空间的 schaefer200 / schaefer400。不同 MNI 变体不能仅凭名称中有“MNI”就混用。
体积数据由 brainfc.imaging.volume_timeseries() 将离散标签以最近邻重采样到 BOLD 网格，然后对脑掩膜内每个 ROI 计算体素算术均值。0 是背景；ROI 按原始正标签数值升序排列。任何 ROI 在掩膜内为空都会报错。这里调整网格，不重新估计配准；标签、ID、名称及 RAS+ mm 坐标一起保存。提取后的 ROI 信号才进入时序清理。
| 参数 | 类默认值 | 含义与设置依据 |
|---|---|---|
t_r |
None |
秒；run.extract() 绑定真实输出 TR，冲突报错 |
high_pass / low_pass |
None / None |
Hz；分别开启高通/低通，两者均有值时为带通。须 0 < high_pass < low_pass < 1/(2×TR)；单一截止频率也须小于 Nyquist。0.01–0.1 是便捷入口默认，不是官方通用最佳值 |
detrend |
True |
去线性趋势；已在上游完成时避免无依据地重复 |
standardize |
True |
Nilearn zscore_sample；关闭则不做该标准化 |
discard |
0 |
删除输入最前面的帧，必须与本次空间预处理记录一致 |
confound_columns |
None |
非空列名序列显式指定回归变量；列必须存在且通过有限值校验。run.extract() 留空时自动绑定运动矩阵 + WM/CSF；空列表不能用来关闭该默认回归 |
fd_threshold |
None |
mm；正数才开启逐帧剔除。FD > 阈值 删除，等于阈值保留；不连带删除邻帧。必须按实际 FD 定义制定阈值 |
min_samples |
20 |
删帧后最少保留点数，≥3 的整数；20 是运行检查下限，不代表足够的可靠性或统计效能 |
method |
"pearson" |
pearson / spearman / partial，见下文 |
其余 Config 字段用于输入解释：data_space=None、atlas_space=None、preprocessed=False（便捷原始入口自动绑定）；table_header=True、transpose=False、variable=None（表格/数组/MAT 入口），详见 格式说明。
run.extract() 默认使用 0.01–0.1 Hz、去趋势和样本 z-score，回归 9 个旋转矩阵元素、3 个 LPS 仿射偏移及 WM/CSF 均值。这是 BrainFC 的可修改建议；不是数据集官方统一参数，也不是 SPM motion6 / Friston-24。矩阵列可能线性相关，提取会检查实际设计秩和残余自由度。
discard 应与预处理配置一致。TR 和空间由真实输出绑定。FD 默认不用于删帧；显式 fd_threshold 才启用。这里的 FD 是 ANTs generalized FD，fdOffset=50 mm，不是 Power FD；不能直接套用另一种 FD 的阈值。首行 FD/DVARS 未定义，写为 n/a。DVARS 为原始强度单位。全局信号提供为检查列，默认不回归。
14 列的确切名称为 motion_matrix_00 … motion_matrix_22（3×3 旋转矩阵逐行排列）、motion_offset_x/y/z（LPS 下的 t+c−Rc）、white_matter、csf。这 14 列不等于 14 个独立运动自由度；不自动追加导数、平方项、aCompCor 或 ICA-AROMA。
extract_connectome() 先建立原始帧保留掩码，再去除开头 discard 帧，最后将信号、混杂及剩余帧索引一起传给 nilearn.signal.clean()。设置 standardize_confounds=True；有截止频率则 filter="butterworth"，否则关闭滤波；显式 extrapolate=True。
有带通和删帧时，Nilearn 先插值被剔除位置用于规则时间网格的去趋势和滤波，再移除指定样本、回归混杂并标准化；信号和混杂接受配套滤波。没有开启滤波时不做该滤波插值。BrainFC 不将删帧后的不规则样本重新当成连续等间隔扫描。具体顺序及默认滤波实现见 Nilearn signal.clean。
当前依赖 nilearn>=0.14,<0.15；未覆盖其 Butterworth 默认阶数 5、padtype="odd"、padlen=None，使用前后向滤波。BrainFC 暂未将阶数/边界填充设为 Config 参数。短序列无法满足滤波要求时会报错，应检查扫描长度和方案，不能直接省略失败步骤后声称完成相同处理。
non_steady_state_outlier* 非零的帧也会被剔除；原始 Python 路线目前不自动生成这些列。启用 FD 时首帧缺失 FD 被删除；后续缺失 FD 报错。保留帧数、回归设计秩、常数 ROI 和非有限值均检查；没有把不可计算的连接填成 0。全部规则见 删帧与回归定义。
method |
实现 | 输出解释 |
|---|---|---|
pearson |
numpy.corrcoef(cleaned, rowvar=False) |
清理后 ROI 时序两两线性相关 |
spearman |
scipy.stats.rankdata(..., axis=0) 后 Pearson |
平均并列秩的秩相关 |
partial |
sklearn.covariance.LedoitWolf 的精度矩阵 P，−Pij / sqrt(Pii×Pjj) |
收缩估计的偏相关，收缩系数记录在 QC |
结果对称化、截到 [−1,1]，对角线设为 1。result.fisher_z 单独保存 atanh(clip(r, −1+1e−7, 1−1e−7))，对角线 0。此数值转换不生成 p 值；完整 FC 保留所有正负相关，不按可视化阈值稀疏化。
result.analyze_network(AnalysisConfig(...)) 经 brainfc.network.bridge.from_connectome() 和 brainfc.network.analyze() 转交已有完整 FC、ROI、空间和处理来源；不会再次做时序去噪或重新从时序计算 FC。图与超图分别由 brainfc.network.graph.build_graph()、brainfc.network.hypergraph.build_hypergraph() 构建，再计算描述性指标。可用函数的准确模块名见 API 参考。
AnalysisConfig 设置 |
实际选边方式 |
|---|---|
graph_method="density", density=0.1（默认） |
按绝对 FC 强度，目标边数 ceil(0.1×N×(N−1)/2)；截止并列全部保留，实际密度可高于请求值，非零边不足时可更低 |
graph_method="threshold", threshold=0.2 |
保留绝对强度达到阈值的非零边；阈值只在该方法生效，不是 p 值 |
graph_method="knn", k=5 |
各 ROI 取最强 k 个非零连接，取两侧邻居选择的并集，包含截止并列；最终度不必等于 k |
graph_method="weighted" |
全部非零边 |
graph_method="mst" |
绝对权重的最大生成森林；孤立节点保留 |
均去掉自环、保留被选边原始符号。正/负强度分开记录；路径指标只使用正边、长度 1/weight，不能把负相关直接当负路径长度。完整指标定义见 网络方法。提取可支持更多 ROI，但网络模块上限为 1000 个 ROI。
network = result.analyze_network(AnalysisConfig(
graph_method="density", density=0.1,
hypergraph_method="multiscale", hypergraph_ks=[5, 10],
compute_graph=True, compute_hypergraph=True,
))
export_result(network, "results/network-multiscale-01.zip")AnalysisConfig() 默认同时计算图和超图：compute_graph=True、compute_hypergraph=True。默认超图 hypergraph_method="knn" 使用 k=5；hypergraph_ks=[5,10] 只在 multiscale 生效。template 使用 groups={组ID: [ROI ID, ...]}；custom 使用 custom_edges=[{"id": ..., "members": [...], "weight": ...}]，两者默认空，须提供所需成员。
FC-profile 超图将完整 FC 的对角线置零，把每行视作该 ROI 的连接模式，按有符号余弦相似度选择邻居。每条超边包含中心及邻居；截止并列保留，完全相同的生成成员集合合并，记录中心和尺度，生成超边权重为 1。它不同于按 |FCij| 选择普通图邻居；也不是从 fMRI 直接估计多体相互作用。
connectivity_method="pearson" 是网络模块读取时序时的默认值；从 Connectome 传入矩阵时不生效。改变相关方法应回到第 6 节的 Config(method=...)。
result.plot_views(..., threshold=0.3, max_edges=200) 和三维页面的阈值、选择、透明度只控制显示。完整矩阵不变，已算出的图指标也不会随旋转或显示筛选改变。要改变网络分析的边，须改变 AnalysisConfig 并重新分析。提取页的三维和八视图共享显示选择；网络分析页展示相应分析结果的普通边/超边。球棍不是纤维束，超边不是已证实的不可约生理相互作用。
| 检查位置 | 看什么 | 处理要求 |
|---|---|---|
| 输入计划 | TR、帧数、切片方向与采集时间、同一被试的 BOLD/T1 | 冲突或不匹配先解决，不能靠改文件名/头信息掩盖问题 |
qc.html 脑提取图 |
皮层/小脑是否被误删、颅外组织是否明显残留 | 明显异常先停止；可检查输入或提供独立 T1 脑掩膜后在新目录重跑 |
| BOLD→T1 与 T1→MNI 叠加 | 脑室、外轮廓、左右方向、皮层是否整体对齐 | 明显错位不能继续做标准图谱提取；头动/刚体配准不能修复所有 EPI 畸变 |
| WM/CSF 叠加 | 掩膜是否落在对应组织，是否混入大量灰质/脑外 | 组织数达到运行下限不代表组织选择正确 |
| 覆盖与运动曲线 | 视野缺失、FD/DVARS 峰值、持续头动 | 覆盖 <50% 自动停止；超过下限仍须检查。按研究预先制定的扫描排除和删帧规则处理 |
连接结果 qc.json |
保留帧数、原始帧号、回归列/设计秩、警告与 ROI 体素数 | min_samples=20 只是数值下限；警告不等于已解决，不能仅凭矩阵可绘制认定可用于研究 |
qc_reviewed=True 是研究者检查后的确认，不是自动质量认证。不提供统一的“合格 FD”或最低可靠扫描时长；这两项应结合采集方案、FD 定义与研究设计决定。单例验证范围见第 10 节。
brainfc convert ./dicom --scan
brainfc convert ./dicom --series-id <上一步的序列ID> --kind bold --output ./bold-converted
brainfc convert ./dicom --series-id <T1序列ID> --kind t1w --output ./t1-converted
brainfc process ./bold-converted/image.nii.gz --t1w ./t1-converted/image.nii.gz --output ./preprocessedPython 对应 scan_dicom()、convert_dicom_python()、inspect_raw()、preprocess_fmri()、load_preprocessed()；完整签名、错误、返回值见 API 参考。discover_raw() 保留同一 subject/session 内的候选对，多 T1 不会随意选择。
通用 DICOM 由 dicom2nifti 的布局与几何校验决定是否支持，不能承诺所有厂商、压缩方式及私有格式都能转换。无可靠切片时间的布局不会伪造 SliceTiming。不支持的数据会报错。
公共入口分工：scan_dicom() 返回可选择的序列；convert_dicom_python() 转换指定序列；discover_raw() 返回 BIDS 候选；inspect_raw() 检查元数据；preprocess_fmri() 返回 PreprocessedRun；load_preprocessed() 载入完成的运行；PreprocessedRun.extract() 返回 Connectome；Connectome.analyze_network() 返回 AnalysisResult。Connectome.save() 保存目录，export_result() 保存网络 ZIP，两者不能混为同一个导出格式。
输出包含标准空间 BOLD、脑掩膜、WM/CSF 掩膜、混杂表、transforms/、work/ 中间影像、qc.html、qc.json、preprocessing.json、run.json、output_hashes.json 和 stages.json。失败输出保留供检查，但不能加载为成功结果。重跑需新目录。
检查脑提取完整性、脑室/皮层对齐、WM/CSF 所在组织、脑覆盖及 FD/DVARS。模板传播掩膜与模板的重叠不是独立分割精度；代码和界面不会以该数值自动宣告质量合格。
| 要核对的事项 | 读取哪里 |
|---|---|
| 原始文件、模板、实际 TR / 切片时间、空间算法、种子与版本 | 预处理目录 preprocessing.json；resolved 为读入后的采集值，config 为用户配置；模板有 SHA-256 |
| 预处理完成状态与输出完整性 | stages.json、output_hashes.json；load_preprocessed() 核验清单中的核心影像、混杂与记录文件，不是对全部中间文件或人工质控的认证 |
| 实际滤波、回归列、丢弃帧、相关方法 | 连接目录 provenance.json 的 config、versions、raw_preprocessing；无需从截图猜参数 |
| 完整数值与排列 | connectivity.npy/csv、fisher_z.npy/csv、timeseries.npy/tsv、rois.tsv、samples.tsv；矩阵和 ROI 表共用顺序 |
| 留存样本与文件校验 | 连接目录 qc.json、manifest.json；samples.tsv 保留 0 起始的原始索引，删帧后存在间断时不能当连续时段 |
| 网络选择及指标含义 | 网络导出的 result.json 中 config、metadata、graph、hypergraph；报告请求与实际密度，超边成员和构建方法 |
研究方法应至少报告：软件/依赖版本；采集 TR 与切片信息来源；初始帧数；是否做层间时间/畸变校正；配准模型、准确模板和分辨率；平滑 FWHM；图谱与 ROI 顺序；回归列和 GSR；带通、FD 定义及阈值；质控排除规则与实际保留帧数；相关估计器；网络选边方法/实际密度或超图尺度。实际记录是方法部分的依据，不能把本页默认值直接当作自己的运行参数。
原始 fMRI 验证记录包含已知信号层间校正、几何与刚体配准测试、转换对照，以及一例成人静息态原始数据完整运行。该例为 150 帧、TR 2 s、81 层，丢弃 5 帧、Schaefer100、0.01–0.1 Hz、无空间平滑/FD 删帧，得到 100×100 FC 和 145 个保留点；这些数字是验证实例，不是各数据集推荐参数。仓库 rest01 是已有处理的公开衍生样例，不能将打开它等同于重新执行原始影像预处理。
当前没有场图/反向相位编码畸变校正、多回波合并、变 TR/稀疏采样、儿童专用模板流程、皮层表面重建、任务 GLM 或 DWI/DTI。没有 MATLAB/SPM/DPABI 逐值等价验证，也没有据此获得多中心、全厂商或临床有效性结论。原始路线通过 Python 包调用 ANTs 编译内核，不等于所有算法以纯 Python 编写。
DICOM 元数据只输出处理需要的字段，但结构影像仍包含可识别解剖形态，处理输出也会记录本机输入路径。转换和预处理不等于脱敏；原始影像与此类结果应留在本地，不属于包内公开样例。
本页描述本库实际行为；上游文档解释所调用算法，不代表其全部功能均已在 BrainFC 暴露。