注意(16 Apr 2023): FSL 6.0.6 から、CUDA 11以降でもeddy_cuda10.2が動くようになりました。したがって、以下の内容はもう古くなっています。新しい記事をご確認ください。
私のメインマシンは Lin4Neuro 18.04 ですが、そろそろ Lin4Neuro 20.04 への移行を考えています。
今、実験機には NVIDIA GeForce RTX 2070 が備え付けられています。
これを使って、FSL 6.0.5 の eddy をGPUが使えるように設定し、なおかつ、Tensorflow, Pytorch といった Deep Learning のフレームワークも使えるようにしたいと思います。
FSL 6.0.5 にはデフォルトで CUDA 10.2 に対応した eddy_cuda10.2 が配布されています。なので、CUDA 10.2を入れることにします。
なお、これは Ubuntu 18.04 でも全く問題なくできることがわかりましたので、タイトルを変更しました。
Ubuntu 20.04 の mini.iso はかなり隠れたところにあります。
こちらから入手できます。
http://archive.ubuntu.com/ubuntu/dists/focal/main/installer-amd64/current/legacy-images/netboot/
日本のミラーサイトはこちら。
http://jp.archive.ubuntu.com/ubuntu/dists/focal/main/installer-amd64/current/legacy-images/netboot/
いつも探すので備忘録として書いておきます。
最近、Pythonに触れることが多くなってきました。
その中で、環境構築についていろいろ学んできました。
Pythonの参考書の多くは”Anacondaで環境構築しましょう”と書いてあります。
しかし、Anacondaはセットアップファイルだけで4GBもあります。
また、自分のシステムに既に入っているPythonとの相互関係も最初の頃はよくわからなくなります。
Anacondaを横においておくと、Pythonには、パッケージマネージャーとして、”pip” というものがあります。
これも若干クセがあるので、いくつかおさえておくべきことがあります。
さらに、Pythonは”venv”というパッケージを使うことで、仮想環境を簡単に構築できます。
このvenvについて把握すると、Anacondaなどのことも理解しやすくなります。
ということで、私なりに理解したことをここでまとめていきたいと思います。
なお、ここではすべてPython3環境を意識していきます。pipはmacOSやUbuntuでは全部Python3になっています。DebianではPython2のようですが、最近、Debianを使っていないのでよくわかりません。（man pip に書いてある情報から記載しただけです）
現時点での私のおすすめは、
「基本、–userをつけてpipでインストール。試験的に試したかったらvenvで仮想環境内で構築」です。
概要は以下になります。
venv
2.1 仮想環境の構築
2.2 仮想環境の有効化
2.3 仮想環境の無効化
ある方から、Apple M1のmacでSPMを起動しようとするとspm_check_installation(‘basic’)でエラーが出て起動しないという相談を受けました。
コンパイルしたら問題は解決しました。コンパイル方法を共有します。
ただし、その後、SPMのMLでこのディスカッションに乗ってみたところ、コンパイルは不要だよということも教えていただきました。なので、コンパイルに挑戦してみたい人向けと思ってください。（普通は不要です）
久しぶりに脳画像以外のネタを。
COVID-19が猛威をふるう中、動脈血酸素飽和度 (SpO2) を測定できるパルスオキシメーターの需要が増えています。
万が一自宅療養になる時などにそなえてパルスオキシメーターが家にあるといいなと思いましたが、
一般的に購入できる1万円未満のパルスオキシメーターのレビューを見ると、みなさん、様々なことを書いていて、判断に困るなぁと思いました。
そこで、実際どうなのかと思い、自ら人柱になって、自腹で購入して実験してみました。
CONNでPreprocessingが終わった後、ノイズ除去を行います。
CONNでは2段階でノイズを除去します。第1段階は linear regression (線形回帰) で、第2段階は temporal band-pass filtering (時間バンドパスフィルタリング) です。
SETUPの最後、Optionsも軽くみておきましょう。
Covariates (1st-level) をみていきます。ここのCovariatesは個人のfMRI画像に関する情報が入っています。
サンプルデータのSubject 1でみていきます。
前処理が終わり、QA plotsで不適なsubjectsを取り除きました。次にROIsとConditionsを確認します。
ANTsのRへの移植版であるANTsRのインストール方法を聞かれましたので、Ubuntu 18.04へのインストール方法を以下にまとめます。現在、Ubuntu 18.04では、Rのバージョンはデフォルトで3.6になっていますので、Rは3.6がインストールされていると仮定します。
ここでは、画像が不適であることがわかった場合のSubjectの取り除き方を説明します。
前処理のQAで今回準備したサンプルデータでは、Subject 16は解析に不適ということがわかりました。なので、これを省きたいと思いますが、その前に準備している Covariates を登録しておきます。（そうでないと Covariates を入れてある subjects.txt を編集し直さないといけないからです。）
前処理が終わったら、前処理のQA (Quality Assurance) を行いましょう。よくQC (Quality Check)という言葉が使われますが、QAはQCと同義です。
構造画像と機能画像を指定したら、前処理 Preprocessing を行います。
脳画像解析を行う際には、「ワーキングディレクトリ」を意識することがとても大切になります。なぜならば、ワーキングディレクトリの中に画像データが保存されていくからです。CONNも例外ではありません。
そして、忘れられがちですが、Matlabでまずワーキングディレクトリに移動してからCONNやSPMを起動すると、ファイルの選択などが非常に容易になります。
今は、conn_practice.zip を展開してできた conn_practice をワーキングディレクトリとして設定したいと思います。
CONNの記事を最初に書いてからほぼ5年が経ちました。
多くの方に「CONNを使えるようになりたい」という質問をいただくので、改めて、2021年8月時点の最新バージョン 20.b を用いてCONNの使い方を紹介していきたいと思います。
FreeSurfer 7.2.0が発表されました。
このバージョンからついに deb ファイルが提供されるようになりました。嬉しいことですね。
デフォルトのインストール先は、/usr/local/freesurfer/7.2.0 となります。