【茗創(chuàng)科技】fMRI連接性分析
傳統(tǒng)的多變量fMRI技術(shù)側(cè)重于局部區(qū)域（ROI或探照燈）活動(dòng)模式中的信息。有時(shí)，相關(guān)信息可能會(huì)跨腦區(qū)網(wǎng)絡(luò)表示，因此無法通過ROI分析或探照燈識(shí)別。功能連接測量有助于在全局范圍內(nèi)檢查相距較遠(yuǎn)的腦區(qū)的信息，重點(diǎn)關(guān)注網(wǎng)絡(luò)交互而不是空間定位。在執(zhí)行連接性分析時(shí)，將跨區(qū)域比較BOLD時(shí)間序列（通常使用相關(guān)性指標(biāo)），并且關(guān)系的大小決定了它們的功能連接強(qiáng)度。通過包含或排除刺激/任務(wù)變量，我們可以研究不同認(rèn)知狀態(tài)對連接性的調(diào)節(jié)。本文接下來將描述如何運(yùn)行基于種子的連接分析，以及使用圖譜來進(jìn)行分割和定義種子點(diǎn)(基于Python)。
使用的數(shù)據(jù)集來自Hutchinson等人(2016)的研究，要求被試(在每個(gè)block中)注意左側(cè)或右側(cè)的一個(gè)場景。下面是描述數(shù)據(jù)集的README文件。該數(shù)據(jù)集經(jīng)過運(yùn)動(dòng)校正和線性去趨勢預(yù)處理。README：注意和連接在神經(jīng)層面，注意由頂葉和額葉皮層控制，它們調(diào)節(jié)感覺系統(tǒng)的加工，增強(qiáng)關(guān)注信息并抑制未關(guān)注的信息。因此，為了研究注意對感知加工的影響，不僅需要檢查局部大腦區(qū)域，還需要檢查這些區(qū)域如何相互作用。此時(shí)，檢查局部大腦區(qū)域活動(dòng)模式的傳統(tǒng)MVPA技術(shù)是不夠的，因而需要更全面的分析。在這種情況下，兩個(gè)或多個(gè)大腦區(qū)域的共變反應(yīng)變得至關(guān)重要，功能連接測量對于研究這些現(xiàn)象是很關(guān)鍵的。
a、創(chuàng)建刺激標(biāo)簽和時(shí)移
從刺激時(shí)序文件中，我們需要為BOLD數(shù)據(jù)中的每個(gè)TR創(chuàng)建標(biāo)簽。因?yàn)橛性摂?shù)據(jù)集的FSL起始文件，所以可以在BrainIAK中使用fmrisim為每個(gè)TR創(chuàng)建標(biāo)簽。這涉及調(diào)用在utils中定義的generate_stimfunctionthen和shift_timingutils。
## 時(shí)移與否？在傳統(tǒng)的MVPA分析中，對BOLD信號進(jìn)行時(shí)移以考慮血流動(dòng)力學(xué)的時(shí)滯情況。在功能連接分析中，有時(shí)不進(jìn)行時(shí)移以確保被比較的體素在刺激呈現(xiàn)之前、期間和之后是相似的。如果不對數(shù)據(jù)進(jìn)行時(shí)移，可以設(shè)置“shift_size = 0”。注意：這里設(shè)置了‘shift_size = 2’。
d、掩膜和提取全腦數(shù)據(jù)
使用nilearn從數(shù)據(jù)集中創(chuàng)建掩膜，然后從掩膜中提取數(shù)據(jù)。此函數(shù)也可以獲得數(shù)據(jù)的z分?jǐn)?shù)。接下來，先繪制一些體素的時(shí)間過程。
創(chuàng)建種子
此時(shí)，已經(jīng)加載了兩個(gè)實(shí)驗(yàn)條件的全腦數(shù)據(jù)。為了檢驗(yàn)注意力的影響，我們將創(chuàng)建種子ROI，并將它們的活動(dòng)與大腦中的其他體素相關(guān)聯(lián)。對于與種子ROI相關(guān)的任何體素，可以推斷它們在功能上是相互聯(lián)系的。
a、創(chuàng)建球形ROI
創(chuàng)建一個(gè)ROI來定義海馬旁區(qū)域(PPA)，這是一個(gè)場景選擇區(qū)域，因?yàn)樵搶?shí)驗(yàn)數(shù)據(jù)集中呈現(xiàn)了場景刺激，并使用MNI空間中的坐標(biāo)來識(shí)別個(gè)體被試的區(qū)域。
Nilearn有一些用于繪制ROI的強(qiáng)大工具。這些功能使我們能夠靈活地識(shí)別任何形狀的ROI，并具有多個(gè)參數(shù)，如平滑、去趨勢、濾波和標(biāo)準(zhǔn)化。但是，使用這些函數(shù)時(shí)很容易出錯(cuò)，所以要謹(jǐn)慎使用這些參數(shù)。接下來將使用nilearn中最基本的Sphere ROI函數(shù)。
b、繪制掩膜的Bold信號
計(jì)算并繪制掩膜中所有體素的平均Bold信號。
計(jì)算相關(guān)矩陣
使用相關(guān)矩陣評估功能連接性。這些矩陣中的每個(gè)單元格反映了一對體素或區(qū)域之間BOLD時(shí)間序列的相關(guān)性，并且可以為每種條件甚至每個(gè)試次單獨(dú)計(jì)算矩陣。這里，將通過一種基于循環(huán)的方法來計(jì)算大腦中每個(gè)體素與PPA種子區(qū)域的相關(guān)性。
從圖譜創(chuàng)建種子
除了創(chuàng)建我們自己的種子ROI，還可以使用可用的圖譜（哈佛-牛津皮質(zhì)圖譜）來提取ROI。Nilearn提供了一種簡單的方法來實(shí)現(xiàn)這一點(diǎn)。
atlas = datasets.fetch_atlas_harvard_oxford('cort-maxprob-thr25-2mm')atlas_filename = atlas.maps圖譜就保存在這里。print("Atlas path: " + atlas_filename + "\n\n")?繪制ROIsplotting.plot_roi(atlas_filename);print('Harvard-Oxford cortical atlas')
打印標(biāo)簽?創(chuàng)建一個(gè)圖譜數(shù)據(jù)的Pandas數(shù)據(jù)框架，以便于檢查atlas_pd = pd.DataFrame(atlas)print(atlas_pd['labels'])
創(chuàng)建一個(gè)掩膜對象，可以用它來選擇ROIsmasker_ho=NiftiLabelsMasker(labels_img=atlas_filename)print(masker_ho.get_params())將圖譜應(yīng)用到Nifti對象，這樣就可以從單個(gè)parcels/ROIs中提取數(shù)據(jù)bold_ho = masker_ho.fit_transform(nii)print('shape: parcellated bold time courses: ', np.shape(bold_ho))
前面計(jì)算了單個(gè)種子區(qū)域隨時(shí)間變化的平均活動(dòng)。但是，Nilearn有一些工具可以輕松計(jì)算提供給掩膜對象的所有ROI的活動(dòng)時(shí)間進(jìn)程。
1. 僅獲取用于右側(cè)注意的數(shù)據(jù)bold_ho_r = bold_ho[(right_stim_lag==1),:]2. 我們的數(shù)據(jù)結(jié)構(gòu)是什么樣的？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. 提取一個(gè)對應(yīng)于后海馬旁皮層的ROI# 意標(biāo)簽#35是海馬旁回，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. 將整個(gè)大腦時(shí)間進(jìn)程與所提取的種子相關(guān)聯(lián)corr_pPHG_r, corr_fz_pPHG_r = seed_correlation( ? ?bold_wb_r, bold_ho_pPHG_r) 2. 打印相關(guān)性范圍print("PHG correlation Fisher-z transformed: min = %.3f; max = %.3f" % ( ? ?corr_fz_pPHG_r.min(), corr_fz_pPHG_r.max()))3.繪制直方圖plt.hist(corr_fz_pPHG_r)plt.ylabel('Frequency');plt.xlabel('Fisher-z score');
## PHG相關(guān)Fisher-z轉(zhuǎn)換：min=-0.656；最大值=1.088
1.映射到整個(gè)大腦圖像img_corr_pPHG_r = masker_wb.inverse_transform( ? ?corr_fz_pPHG_r.T)threshold = .8 2. 使用分割法找到該ROI的切割坐標(biāo)roi_coords = plotting.find_parcellation_cut_coords(atlas_filename,label_hemisphere='left')3. 提取這個(gè)ROI的坐標(biāo)roi_coord = roi_coords[roi_id,:]4. 在一個(gè)標(biāo)準(zhǔn)的大腦中繪制相關(guān)圖 # 為了比較，還可以繪制之前創(chuàng)建的球體的位置h2 = plotting.plot_stat_map( ? ?img_corr_pPHG_r, ? ?threshold=threshold, ? ?cut_coords=roi_coord,)5. 繪制玻璃腦plotting.plot_glass_brain( ? ?img_corr_pPHG_r, ? ?threshold=threshold, ? ?colorbar=True, ? ?display_mode='lyrz', ? ?plot_abs=False)
a、計(jì)算parcels之間的連接
可以計(jì)算跨多個(gè)大腦區(qū)域的相關(guān)性。當(dāng)我們想研究不同大腦區(qū)域的注意力情況時(shí)就很有用。這里將使用不同的方式繪制連接矩陣。
1. 設(shè)置連接對象correlation_measure = ConnectivityMeasure(kind='correlation')2.計(jì)算每個(gè)parcel與所有其他parcel的相關(guān)性corr_mat_ho_r = correlation_measure.fit_transform([bold_ho_r])[0]3. 為了更好地進(jìn)行可視化，移除對角線(guaranteed to be 1.0)np.fill_diagonal(corr_mat_ho_r, np.nan)4.繪制相關(guān)矩陣# 這里使用的是哈佛-牛津皮質(zhì)圖譜的標(biāo)簽 # 從背景(0)開始，因此跳過了第一個(gè)標(biāo)簽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，我們也可以使用Nilearn的繪圖函數(shù)進(jìn)行繪制plotting.plot_matrix( ? ?corr_mat_ho_r, ? ?cmap='RdYlBu_r', ? ?figure=(11, 10), ? ?labels=atlas.labels[1:], )
繪制連接組
Nilearn中有一些繪制連接體的工具，如plotting.plot_connectome取逐個(gè)節(jié)點(diǎn)的相關(guān)矩陣和逐個(gè)節(jié)點(diǎn)的坐標(biāo)矩陣，然后創(chuàng)建一個(gè)連接組。閾值可用于僅顯示強(qiáng)連接。
1. 加載圖譜atlas_nii = nib.load(atlas_filename)atlas_data = atlas_nii.get_data()labels = np.unique(atlas_data)2. 遍歷所有ROIscoords = []for label_id in labels:3.跳過背景 ? ?if label_id == 0: ? ? ? ?continue4. 提取掩膜內(nèi)的ROI ? ? ? ?roi_mask = (atlas_data == label_id) 5.創(chuàng)建為nifti對象，這樣就可以由cut coords算法讀取 ? ?nii = nib.Nifti1Image(roi_mask.astype('int16'), atlas_nii.affine) 6.找到連接組的質(zhì)心 ? ?coords.append(plotting.find_xyz_cut_coords(nii))7.繪制連接組plotting.plot_connectome(correlation_matrix_mcg, coords, edge_threshold='95%')
往期推薦：Nilearn：繪制大腦圖像小伙伴們點(diǎn)個(gè)“在看”
