Nilearn学习笔记3-提取时间序列建立功能连接体

在nilearn库中,提供了两种从fmri数据中提取时间序列的方法,一种基于脑分区(Time-series from a brain parcellation or “MaxProb” atlas),一种基于概率图谱(Time-series from a probabilistic atlas)。参考文章:Varoquaux and Craddock, “Learning and comparing functional connectomes across subjects”, NeuroImage 2013.

1. 基于大脑分区提取时间序列

(Time-series from a brain parcellation or “MaxProb” atlas) 1.1 一般而言,用“硬分区”定义用于提取信号的分区。人脑分区有很多个版本,可以结合自己的数据和自己的研究目的选取合理的分区图谱,用于自己的研究。 代码:(代码中有详细注释)

# Load fmri image
# Note: functions in learn can accept parameters as: image object or fmri filepath
from nilearn.image import load_img
fMRIData = load_img(r'E:\home\bct_test\NC_01_0001\rs6_f8dGR_w3_rabrat_4D.nii')

# Gain mask
from nilearn import masking
mask = masking.compute_background_mask(fMRIData)

# Download atlas from internet
from nilearn import datasets
dataset = datasets.fetch_atlas_harvard_oxford('cort-maxprob-thr25-2mm')
atlas_filename = dataset.maps
labels = dataset.labels

# Apply atlas to my data
from nilearn.image import resample_to_img
Atlas = resample_to_img(atlas_filename, mask, interpolation='nearest')

# Gain the TimeSeries
from nilearn.input_data import NiftiLabelsMasker
masker = NiftiLabelsMasker(labels_img=Atlas, standardize=True,
                           memory='nilearn_cache', verbose=5)
time_series = masker.fit_transform(fMRIData)

# Extracting times series to build a functional connectome
from nilearn.connectome import ConnectivityMeasure
correlation_measure = ConnectivityMeasure(kind='correlation')
correlation_matrix = correlation_measure.fit_transform([time_series])[0]

# Plot the correlation matrix
import numpy as np
from matplotlib import pyplot as plt
plt.figure(figsize=(10, 10))

# Mask the main diagonal for visualization:
np.fill_diagonal(correlation_matrix, 0)
plt.imshow(correlation_matrix, interpolation="nearest", cmap="RdBu_r",
           vmax=0.8, vmin=-0.8)

# Add labels and adjust margins
x_ticks = plt.xticks(range(len(labels) - 1), labels[1:], rotation=90)
y_ticks = plt.yticks(range(len(labels) - 1), labels[1:])
plt.gca().yaxis.tick_right()
plt.subplots_adjust(left=.01, bottom=.3, top=.99, right=.62)
plt.show()

图形:

2. 通过概率图谱建立时间序列

通过连续概率图定义的分区能更好的捕获我们对于脑图像中分区边界不完全的知识,这种非常适合静息状态数据分析的图谱的一个实例是MSDL图谱。 在4维的fmri数据中,概率图谱代表的是连续图集。 相比于从脑分区中提取信号的方法,从概率图谱建立时间序列的过程是一样的,只是在nilearn库中选取的类和函数不一样。 代码:

'''
extracting TimeSeries from probabilistic atlas
'''
# Load fmri image
# Note: functions in learn can accept parameters as: image object or fmri filepath
from nilearn.image import load_img
fMRIData = load_img(r'E:\home\bct_test\NC_01_0001\rs6_f8dGR_w3_rabrat_4D.nii')

# Gain mask
from nilearn import masking
mask = masking.compute_background_mask(fMRIData)

# Download atlas from internet
# Retrieve the atlas and the data
from nilearn import datasets
atlas = datasets.fetch_atlas_msdl()
# Loading atlas image stored in 'maps'
atlas_filename = atlas['maps']
# Loading atlas data stored in 'labels'
labels = atlas['labels']

# Apply atlas to my data
from nilearn.image import resample_to_img
Atlas = resample_to_img(atlas_filename, mask, interpolation='continuous')

# Gain the TimeSeries
from nilearn.input_data import NiftiMapsMasker
masker = NiftiMapsMasker(maps_img=Atlas, standardize=True,
                         memory='nilearn_cache', verbose=5)

time_series = masker.fit_transform(fMRIData)

############################################################################
# Build and display a correlation matrix
from nilearn.connectome import ConnectivityMeasure
correlation_measure = ConnectivityMeasure(kind='correlation')
correlation_matrix = correlation_measure.fit_transform([time_series])[0]

# Display the correlation matrix
import numpy as np
from matplotlib import pyplot as plt
plt.figure(figsize=(10, 10))
# Mask out the major diagonal
np.fill_diagonal(correlation_matrix, 0)
plt.imshow(correlation_matrix, interpolation="nearest", cmap="RdBu_r",
           vmax=0.8, vmin=-0.8)
plt.colorbar()
# And display the labels
x_ticks = plt.xticks(range(len(labels)), labels, rotation=90)
y_ticks = plt.yticks(range(len(labels)), labels)

############################################################################
# And now display the corresponding graph
from nilearn import plotting
coords = atlas.region_coords

# We threshold to keep only the 20% of edges with the highest value
# because the graph is very dense
plotting.plot_connectome(correlation_matrix, coords,
                         edge_threshold="80%", colorbar=True)

plotting.show()

输出图形:

3. 功能连接体:一个相互作用的图

类似于相关矩阵的矩形矩阵,都可以看做“图”:节点和边的集合,节点代表脑区,边代表节点之间相关关系,这种图叫做功能连接体。 在nilearn库中,提供了功能连接体可视化的方法,可以直接调用相应函数将图画出来(第二个例子)。

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏AI研习社

7个深度神经网络可视化工具,不可错过!

TensorBoard:TensorFlow 集成可视化工具 GitHub 官方项目:https://github.com/tensorflow/tenso...

7784
来自专栏机器学习人工学weekly

机器学习人工学weekly-2018/2/18

新年快乐! 注意下面很多链接都需要翻墙,无奈国情如此。 1. RL相关 1.1 DeepMind发布IMPALA算法和新的RL测试环境DMLab-30 ?...

29311
来自专栏大数据挖掘DT机器学习

苹果手机评论情感分析(附python源码和评论数据)

首先抓取网页上的数据,每一页十条评论,生成为一个txt文件。 数据链接 以下采用既有词典的方式: 准备四本词典,停用词,否定词,程度副词,情感词,链接也给出来...

4404
来自专栏ATYUN订阅号

使用Google的Quickdraw创建MNIST样式数据集!

对于那些运行深度学习模型的人来说,MNIST是无处不在的。手写数字的数据集有许多用途,从基准测试的算法(在数千篇论文中引用)到可视化,比拿破仑的1812年进军更...

3828
来自专栏程序员叨叨叨

3.2 Vertex Shader Program

Vertex shader program(顶点着色程序)和 Fragment shader program(片断着 色程序)分别被 Programmable ...

643
来自专栏企鹅号快讯

能在不同的深度学习框架之间转换模型?微软的MMdnn做到了

Microsoft/MMdnn:深度学习框架随心切换 学习深度学习的各位同学都希望自己的模型能在不同的深度学习框架之间随意转换,比如,斯坦福大学CVGL实验室的...

3745
来自专栏段石石的专栏

使用 TensorFlow 做机器学习第一篇

TensorFlow被人所知是作为DeepLearning的一个框架,但随着TF.Learn的越来越成熟,TensorFlow在机器学习上也开始发力,做了一些很...

4.2K2
来自专栏AI研习社

Github 项目推荐 | 基于 PyTorch,面向 AI 系统加速研究与开发的深度学习框架

TorchFusion 基于 PyTorch 并且完全兼容纯 PyTorch 和其他 PyTorch 软件包,它供了一个全面的可扩展训练框架,可以轻松用开发者的...

672
来自专栏AI研习社

Github 项目推荐 | 类 Keras 的 PyTorch 深度学习框架 —— PyToune

PyToune 是一个类 Keras 的 Pytorch 深度学习框架,可用来处理训练神经网络所需的大部分模板代码。 用 PyToune 你可以: 更容易地训练...

32010
来自专栏闪电gogogo的专栏

IEEE Trans 2009 Stagewise Weak Gradient Pursuits论文学习

论文在第二部分先提出了贪婪算法框架,如下截图所示: ? 接着根据原子选择的方法不同,提出了SWOMP(分段弱正交匹配追踪)算法,以下部分为转载《压缩感知重构算法...

3208

扫码关注云+社区