【茗创科技】fMRI连接性分析
传统的多变量fMRI技术侧重于局部区域（ROI或探照灯）活动模式中的信息。有时，相关信息可能会跨脑区网络表示，因此无法通过ROI分析或探照灯识别。功能连接测量有助于在全局范围内检查相距较远的脑区的信息，重点关注网络交互而不是空间定位。在执行连接性分析时，将跨区域比较BOLD时间序列（通常使用相关性指标），并且关系的大小决定了它们的功能连接强度。通过包含或排除刺激/任务变量，我们可以研究不同认知状态对连接性的调节。本文接下来将描述如何运行基于种子的连接分析，以及使用图谱来进行分割和定义种子点(基于Python)。
使用的数据集来自Hutchinson等人(2016)的研究，要求被试(在每个block中)注意左侧或右侧的一个场景。下面是描述数据集的README文件。该数据集经过运动校正和线性去趋势预处理。README：注意和连接在神经层面，注意由顶叶和额叶皮层控制，它们调节感觉系统的加工，增强关注信息并抑制未关注的信息。因此，为了研究注意对感知加工的影响，不仅需要检查局部大脑区域，还需要检查这些区域如何相互作用。此时，检查局部大脑区域活动模式的传统MVPA技术是不够的，因而需要更全面的分析。在这种情况下，两个或多个大脑区域的共变反应变得至关重要，功能连接测量对于研究这些现象是很关键的。
a、创建刺激标签和时移
从刺激时序文件中，我们需要为BOLD数据中的每个TR创建标签。因为有该数据集的FSL起始文件，所以可以在BrainIAK中使用fmrisim为每个TR创建标签。这涉及调用在utils中定义的generate_stimfunctionthen和shift_timingutils。
## 时移与否？在传统的MVPA分析中，对BOLD信号进行时移以考虑血流动力学的时滞情况。在功能连接分析中，有时不进行时移以确保被比较的体素在刺激呈现之前、期间和之后是相似的。如果不对数据进行时移，可以设置“shift_size = 0”。注意：这里设置了‘shift_size = 2’。
d、掩膜和提取全脑数据
使用nilearn从数据集中创建掩膜，然后从掩膜中提取数据。此函数也可以获得数据的z分数。接下来，先绘制一些体素的时间过程。
创建种子
此时，已经加载了两个实验条件的全脑数据。为了检验注意力的影响，我们将创建种子ROI，并将它们的活动与大脑中的其他体素相关联。对于与种子ROI相关的任何体素，可以推断它们在功能上是相互联系的。
a、创建球形ROI
创建一个ROI来定义海马旁区域(PPA)，这是一个场景选择区域，因为该实验数据集中呈现了场景刺激，并使用MNI空间中的坐标来识别个体被试的区域。
Nilearn有一些用于绘制ROI的强大工具。这些功能使我们能够灵活地识别任何形状的ROI，并具有多个参数，如平滑、去趋势、滤波和标准化。但是，使用这些函数时很容易出错，所以要谨慎使用这些参数。接下来将使用nilearn中最基本的Sphere ROI函数。
b、绘制掩膜的Bold信号
计算并绘制掩膜中所有体素的平均Bold信号。
计算相关矩阵
使用相关矩阵评估功能连接性。这些矩阵中的每个单元格反映了一对体素或区域之间BOLD时间序列的相关性，并且可以为每种条件甚至每个试次单独计算矩阵。这里，将通过一种基于循环的方法来计算大脑中每个体素与PPA种子区域的相关性。
从图谱创建种子
除了创建我们自己的种子ROI，还可以使用可用的图谱（哈佛-牛津皮质图谱）来提取ROI。Nilearn提供了一种简单的方法来实现这一点。
atlas = datasets.fetch_atlas_harvard_oxford('cort-maxprob-thr25-2mm')atlas_filename = atlas.maps图谱就保存在这里。print("Atlas path: " + atlas_filename + "\n\n")绘制ROIsplotting.plot_roi(atlas_filename);print('Harvard-Oxford cortical atlas')
打印标签创建一个图谱数据的Pandas数据框架，以便于检查atlas_pd = pd.DataFrame(atlas)print(atlas_pd['labels'])
创建一个掩膜对象，可以用它来选择ROIsmasker_ho=NiftiLabelsMasker(labels_img=atlas_filename)print(masker_ho.get_params())将图谱应用到Nifti对象，这样就可以从单个parcels/ROIs中提取数据bold_ho = masker_ho.fit_transform(nii)print('shape: parcellated bold time courses: ', np.shape(bold_ho))
前面计算了单个种子区域随时间变化的平均活动。但是，Nilearn有一些工具可以轻松计算提供给掩膜对象的所有ROI的活动时间进程。
1. 仅获取用于右侧注意的数据bold_ho_r = bold_ho[(right_stim_lag==1),:]2. 我们的数据结构是什么样的？print("Parcellated data shape (time points x num ROIs)")print("All time points ", bold_ho.shape)print("Rightward attention trials: ", bold_ho_r.shape)3. 提取一个对应于后海马旁皮层的ROI# 意标签#35是海马旁回，后部。 roi_id = 34bold_ho_pPHG_r = np.array(bold_ho_r[:, roi_id])bold_ho_pPHG_r = bold_ho_pPHG_r.reshape(bold_ho_pPHG_r.shape[0],-1)print("Posterior PPC (region 35) rightward attention trials: ", bold_ho_pPHG_r.shape)plt.figure(figsize=(14,4))plt.plot(bold_ho_pPHG_r)plt.ylabel('Evoked activity');plt.xlabel('Timepoints');sns.despine()
1. 将整个大脑时间进程与所提取的种子相关联corr_pPHG_r, corr_fz_pPHG_r = seed_correlation( bold_wb_r, bold_ho_pPHG_r) 2. 打印相关性范围print("PHG correlation Fisher-z transformed: min = %.3f; max = %.3f" % ( corr_fz_pPHG_r.min(), corr_fz_pPHG_r.max()))3.绘制直方图plt.hist(corr_fz_pPHG_r)plt.ylabel('Frequency');plt.xlabel('Fisher-z score');
## PHG相关Fisher-z转换：min=-0.656；最大值=1.088
1.映射到整个大脑图像img_corr_pPHG_r = masker_wb.inverse_transform( corr_fz_pPHG_r.T)threshold = .8 2. 使用分割法找到该ROI的切割坐标roi_coords = plotting.find_parcellation_cut_coords(atlas_filename,label_hemisphere='left')3. 提取这个ROI的坐标roi_coord = roi_coords[roi_id,:]4. 在一个标准的大脑中绘制相关图 # 为了比较，还可以绘制之前创建的球体的位置h2 = plotting.plot_stat_map( img_corr_pPHG_r, threshold=threshold, cut_coords=roi_coord,)5. 绘制玻璃脑plotting.plot_glass_brain( img_corr_pPHG_r, threshold=threshold, colorbar=True, display_mode='lyrz', plot_abs=False)
a、计算parcels之间的连接
可以计算跨多个大脑区域的相关性。当我们想研究不同大脑区域的注意力情况时就很有用。这里将使用不同的方式绘制连接矩阵。
1. 设置连接对象correlation_measure = ConnectivityMeasure(kind='correlation')2.计算每个parcel与所有其他parcel的相关性corr_mat_ho_r = correlation_measure.fit_transform([bold_ho_r])[0]3. 为了更好地进行可视化，移除对角线(guaranteed to be 1.0)np.fill_diagonal(corr_mat_ho_r, np.nan)4.绘制相关矩阵# 这里使用的是哈佛-牛津皮质图谱的标签 # 从背景(0)开始，因此跳过了第一个标签fig = plt.figure(figsize=(11,10))plt.imshow(corr_mat_ho_r, interpolation='None', cmap='RdYlBu_r')plt.yticks(range(len(atlas.labels)), atlas.labels[1:]);plt.xticks(range(len(atlas.labels)), atlas.labels[1:], rotation=90);plt.title('Parcellation correlation matrix')plt.colorbar();
1. 或者，我们也可以使用Nilearn的绘图函数进行绘制plotting.plot_matrix( corr_mat_ho_r, cmap='RdYlBu_r', figure=(11, 10), labels=atlas.labels[1:], )
绘制连接组
Nilearn中有一些绘制连接体的工具，如plotting.plot_connectome取逐个节点的相关矩阵和逐个节点的坐标矩阵，然后创建一个连接组。阈值可用于仅显示强连接。
1. 加载图谱atlas_nii = nib.load(atlas_filename)atlas_data = atlas_nii.get_data()labels = np.unique(atlas_data)2. 遍历所有ROIscoords = []for label_id in labels:3.跳过背景 if label_id == 0: continue4. 提取掩膜内的ROI roi_mask = (atlas_data == label_id) 5.创建为nifti对象，这样就可以由cut coords算法读取 nii = nib.Nifti1Image(roi_mask.astype('int16'), atlas_nii.affine) 6.找到连接组的质心 coords.append(plotting.find_xyz_cut_coords(nii))7.绘制连接组plotting.plot_connectome(correlation_matrix_mcg, coords, edge_threshold='95%')
往期推荐：Nilearn：绘制大脑图像小伙伴们点个“在看”
