脑研究总结

本篇博文主要是结合python库Nilearn中提供的API,对fMRI数据的处理方式进行介绍。

撰写时间:2018.5.17
作者:selous

0.fMRI数据介绍

以脑成像为例,fMRI与MRI的区别主要是,传统的MRI为结构性成像(structural),扫描脑灰质,白质,脑脊液的形态结构等以判断是否有病变或损伤.fMRI(functional)功能成像,是基于大脑进行某项活动时局部脑区血氧水平的变化,来观察进行某项任务时所谓”脑激活”情况.是BOLD信号成像.前者可认为时间分辨率为无穷大(不发生损伤或病理性改变及老化因素等影响,脑结构基本保持稳定),后者的时间分辨率为秒级.

1.fMRI数据格式

本章的主要内容是结合haxby2001数据集和Nilearn库中提供的API介绍fMRI数据的格式

首先从该网址(http://data.pymvpa.org/datasets/haxby2001/subj2-2010.01.14.tar.gz)中下载一个样本的数据,其中文件bold.nii.gz时fMRI数据,将其解压之后,我们对其进行分析。

1.1 读取图像

import nilearn
niiImage = nilearn.image.load_img("subj1/bold.nii");
print niiImage.get_data().shape

#result:(40, 64, 64, 1452)

从上述结果可以知道fMRI数据是四维数据,其中第四维为时间维度,前三维是传统的脑图像扫描之后的3D图像数据。

1.2 可视化图像

first_image = image.index_img(niiImage, 0)
#print first_image
plotting.plot_anat(first_image)
plotting.show()

可视化结果:
这里写图片描述

2.fMRI数据处理方式

原始的fMRI数据是四维数据,传统的机器学习方法都不能很好的应用在原始数据上面,下面介绍的就是对原始数据的两个基本操作。
2.1 Mask

将四维数据转化为两维数据,该过程就叫做MASK。简单来讲就是特征提取的过程,提取的二维矩阵为一维的时间和一维的特征。也就是从fmri中的每一个时间片上(三维脑图)中提取特征,组合在一起。
这里写图片描述
这里写图片描述

from nilearn.input_data import NiftiMasker
masker = NiftiMasker(mask_img="subj1/mask4_vt.nii", standardize=True)
fmri_masked = masker.fit_transform("subj1/bold.nii")
print fmri_masked.shape
#result:(1452, 577)

2.2 Timeseries
从上面的结果可以看出,一个样本的特征时特别多的,下面的过程就是挑选出一些有效的时间序列建立功能性脑网络结构。具体的参考内容可以查看该网址
2.2.1 基于标准脑区图谱

#基于标准aal图谱
from nilearn.input_data import NiftiLabelsMasker
masker = NiftiLabelsMasker(labels_img="subj1/aal.nii", standardize=True,
                           memory='nilearn_cache', verbose=5)
time_series = masker.fit_transform("subj1/bold.nii")
print time_series.shape
#result:(1452, 116)

2.2.2 基于概率图谱

#概率图谱
atlas_filename = "msdl_atlas/MSDL_rois/msdl_rois.nii"
data = "subj1/bold.nii";

from nilearn.input_data import NiftiMapsMasker
masker = NiftiMapsMasker(maps_img=atlas_filename, standardize=True,
                         memory='nilearn_cache', verbose=5)

time_series = masker.fit_transform(data)
print time_series.shape
#result:(1452, 39)

2.3 建立功能型脑网络
通过脑区的时间序列,计算不同脑区之间的相关系数,构建脑网络。

科学研究一直在不断发展,随着科技的进步,新技术的应用也在不断涌现。其中,PDF(Portable Document Format,便携式文档格式)作为一种电子文档格式,正在被广泛用于科学研究中。 首先,PDF格式的文件具有很好的可读性和兼容性。科学研究中的论文、报告、笔记等文档都可以通过将其转换为PDF格式来保留原始的格式和内容,使其在不同的设备和操作系统上都能够准确显示和打印。这对于研究人员之间的交流和共享是非常有益的。 其次,PDF文件可以包含丰富的多媒体内容。科学研究中,使用图像、视频和动画等多媒体元素来展示实验数据和研究结果非常常见。PDF格式的文件可以方便地嵌入这些多媒体内容,使得读者能够更直观地理解研究成果。 此外,PDF文件还能提供一定的安全措施。对于一些科学研究的机密资料和敏感数据,研究人员可以通过密码保护、限制打印和复制等措施来确保其安全性,防止未经授权的访问和使用。 然而,对于科学研究来说,PDF格式并非完美无缺。一些复杂的神经网络模型和图像数据通常需要使用特定的软件来进行分析和处理,而这些软件并不适用于PDF格式的文件。此外,PDF文件中的内容一般是静态的,对于一些动态的活动数据来说,PDF文件的展示方式可能并不够直观和灵活。 综上所述,PDF作为一种便携式文档格式,在科学研究中具有一定的优势和局限性。但随着技术的发展,相信会有更多更适用于科学研究的新技术出现,为研究人员提供更强大的工具和方法来推动科学的发展。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值