如何基于Nilearn绘制绘制脑网络图（一）？绘制功能连接、结构连接可视化

结果图

Nilearn

Nilearn是一个Python库，用于神经影像分析。它提供了处理和分析功能性和结构性脑成像数据的工具。Nilearn提供了多种预处理函数、机器学习算法应用、统计分析和结果可视化的功能。在神经影像研究领域，Nilearn常用于分析功能性磁共振成像（fMRI）等技术的数据。通过Nilearn，研究人员可以对大脑活动进行定量分析、图像处理和模式识别，帮助推动神经科学研究的发展。

Nilearn 可视化

Nilearn 的plotting模块提供了体素空间和皮层的绘图方法，可以绘制结构像、时间序列、神经影像结果的可视化比如ROI绘制、分区图绘制、脑网络图绘制、检验结果绘制等神经影像研究中常用的各种类型的图片。

如何绘制脑连接图

脑连接图的绘制基于nilearn中的plotting.plot_connectome()函数，下面主要介绍一下该函数的参数，方便使用时根据需要定制。

使用该函数绘制脑连接图主要需要提供两个数据，需要使用者导入：

• 第一个adjacency_matrix：是一个N*N的矩阵，该矩阵如果是对阵的则为无向图，若为非对阵的则为有向图，矩阵中的值用来标识节点之间的连接强度。比如：

	A		C	D	E
A	1	2	3	4	5
B	2	1	7	8	9
C	3	7	1	11	12
D	4	8	11	1	14
E	5	9	12	14	1

• 第二个node_coords：是一个N*3矩阵，每一行表示网络中节点的MNI坐标。两个参数中的N值相同都表示矩阵中节点的数目。

节点	X	Y	Z
1	-30	-10	20
2	10	0	45
3	-15	25	-5
4	40	-5	30
5	-5	-40	15

• 其他参数说明（部分）

node_color（颜色或颜色序列或'auto'，可选）：节点的颜色。如果给定单一字符串，则所有节点都将以该字符串中的相同颜色绘制，比如'#1a2b3c'。

node_size（标量或数组样式，可选）：节点的大小（以点为单位）。

edge_cmap（色图，可选）：用于表示边缘强度的色图。默认为cm.bwr。

edge_vmin、edge_vmax（浮点数，可选）：如果不为None，则这些值将用作边缘的最小值和最大值进行着色。如果未提供，则将在给定阈值内使用最大绝对值作为最小值（乘以-1）和最大值进行着色。

edge_threshold（字符串或数字，可选）：如果它是一个数字，则只显示值大于edge_threshold的边。如果它是一个字符串，它必须以百分号结尾，例如"25.3%"，则只显示绝对值超过给定百分位的边。

output_file（字符串或None，可选）：要导出绘图的图像文件的名称。有效的扩展名为.png、.pdf、.svg。如果output_file不为None，则将绘图保存到文件，并关闭显示。

display_mode（字符串，可选）：选择切片的方向：'' - 状面，'y' - 冠状面，'z' - 轴向，'l' - 仅左半球矢状面，'r' - 仅右半球矢状面，'ortho' - 在正交方向上进行三个切片。可能的取值为：'ortho'、'x'、'y'、'z'、'xz'、'yx'、'yz'、'l'、'r'、'lr'、'lzr'、'lyr'、'lzry'、'lyrz'。默认为'ortho'。

figure（整数或matplotlib.figure.Figure或None，可选）：要使用的Matplotlib图形或其编号。如果给定None，则创建一个新的图形。

axes（matplotlib.axes.Axes或4个浮点数的元组（xmin、ymin、width、height），可选）：用于显示绘图的Axes或坐标，在matplotlib图形空间中。如果为None，则使用完整的图形。

title（字符串或None，可选）：在图形上显示的标题。默认为None。

annotate（布尔值，可选）：如果annotate为True，则添加位置和左/右注释到绘图中。默认为True。

black_bg（布尔值或'auto'，可选）：如果为True，则将图像的背景设置为黑色。如果希望保存具有黑色背景的图形，需要将facecolor='k'、edgecolor='k'传递给matplotlib.pyplot.savefig。默认为False。

alpha（0和1之间的浮点数，可选）：脑模型透明度。默认为0.7。

colorbar（布尔值，可选）：如果为True，则在绘图右侧显示一个颜色条。默认为False。

完整Demo 绘制脑网络

# -*- coding: utf-8 -*-
"""
Created on Mon Jun 26 21:53:19 2023

@author: LB
"""

###  完整Demo
from nilearn import plotting
# import scipy.io as scio
import pylab as pl
# import numpy as np

def main():
    # data_path = "~\\node_distribution_TLE.mat"   # 输入网络文件的地址
    # data_org = scio.loadmat(data_path)
    
    strength = [1,2,3,4,5]                             # 网络节点强度（n*1）
    strength_list = [100 * i for i in strength]        # 可以根据节点的值控制节点的大小
    data_position = [[-30,-10,20],
                     [10,0,45],
                     [-15,25,-5],
                     [40,-5,30],
                     [-5,-40,15]]                    # 存放节点的MNI坐标（n*3
    data_mat = [[1,-2,3.5,1.1,-2],
                [-2,1,7,-3.5,0.8],
                [3.5,7,1,6.6,0.6],
                [1.1,-3.5,6.6,1,3.5],
                [-2,0.8,0.6,3.5,1]]
    # data_mat = np.zeros((len(data_position), len(data_position)))   # 图个只想显示节点，可以产生了一个0矩阵
    #colors = ['#B9A3AE', '#D2CCC5', '#C0BEC7', '#B0A4C2', '#D3C0BB', '#BFA58A', '#D9C6B0', '#E8DBC5', '#E6D4D1', '#E0BBE4']
    # node_color_list =  ['#B9A3AE', '#D2CCC5', '#BFA58A', '#D9C6B0', '#E8DBC5'] # 节点的颜色值（n*1 放置 ）
    node_color_list = '#00CCCC'
    figure1 = pl.figure(figsize=(12, 6))
    plotting.plot_connectome(data_mat, 
    data_position, 
    node_color_list, 
    colorbar=True, 
    edge_cmap='rainbow',          # 用来显示边的强度
    edge_threshold=0.0, 
    node_size=strength_list, 
    # edge_vmin=2, 
    # edge_vmax=3, 
    alpha=0.7,
    figure=figure1
    )
    pl.savefig('.\\test.png', dpi=600)    # 输出文件的地址
    plotting.show()
    print('ending')
    
if __name__ == '__main__':
    main()

• 结果图
  

完整Demo 如果只显示节点，且每个节点显示不一样的颜色

# -*- coding: utf-8 -*-
"""
Created on Mon Jun 26 21:53:19 2023

@author: LB
"""


from nilearn import plotting
# import scipy.io as scio
import pylab as pl
import numpy as np



def main():
    # data_path = "~\\node_distribution_TLE.mat"   # 输入网络文件的地址
    # data_org = scio.loadmat(data_path)
    
    strength = [1,2,3,4,5]                             # 网络节点强度（n*1）
    strength_list = [100 * i for i in strength]        # 可以根据节点的值控制节点的大小
    data_position = [[-30,-10,20],
                     [10,0,45],
                     [-15,25,-5],
                     [40,-5,30],
                     [-5,-40,15]]                    # 存放节点的MNI坐标（n*3
    # data_mat = [[1,-2,3.5,1.1,-2],
    #             [-2,1,7,-3.5,0.8],
    #             [3.5,7,1,6.6,0.6],
    #             [1.1,-3.5,6.6,1,3.5],
    #             [-2,0.8,0.6,3.5,1]]
    data_mat = np.zeros((len(data_position), len(data_position)))   # 图个只想显示节点，可以产生了一个0矩阵
    #colors = ['#B9A3AE', '#D2CCC5', '#C0BEC7', '#B0A4C2', '#D3C0BB', '#BFA58A', '#D9C6B0', '#E8DBC5', '#E6D4D1', '#E0BBE4']
    node_color_list =  ['#1967db', '#1c61e6', '#4c27ba', '#dd0922', '#e40a1e'] # 节点的颜色值（n*1 放置 ）

    # node_color_list = '#00CCCC'
    figure1 = pl.figure(figsize=(12, 6))
    plotting.plot_connectome(data_mat, 
    data_position, 
    node_color_list, 
    colorbar=False, 
    edge_cmap='rainbow',          # 选择colormap用来显示边的强度
    edge_threshold=0.0, 
    node_size=strength_list, 
    # edge_vmin=2, 
    # edge_vmax=3, 
    alpha=0.7,
    figure=figure1
    )
    pl.savefig('.\\test2.png', dpi=600)    # 输出文件的地址
    plotting.show()
    print('ending')
    
if __name__ == '__main__':
    main()

说明

具体使用时，只需要导入自己的网络连接数据，如功能连接矩阵、结构连接矩阵赋值连接矩阵；导入节点的MNI坐标赋值给节点即可生成对应。如果只显示节点，就对应生成一个矩阵，矩阵的边为0即可。使用我给出的默认参数即可，具体其它的参数可以继续尝试。