Skip to content

richardzhangy26/neromap_chinese

BranchesTags

Repository files navigation

Github链接

Gitee链接

目录结构

├── README.md
├── comparebrainmaps_argument.py
├── comparebrainmaps_yaml.py
├── config.yaml
├── demo.ipynb
├── output.csv
├── test_gii
│   ├── left.gii
│   └── right.gii
├── test_nii
│   ├── neg_mVSnm_vox80_cluster.nii
│   ├── neg_mVSnm_vox80_cluster的副本.nii
│   ├── neg_mVSnm_vox80_cluster的副本2.nii
│   ├── neg_mVSnm_vox80_cluster的副本3.nii
│   ├── neg_mVSnm_vox80_cluster的副本4.nii
│   ├── neg_nmVSm_vox80_cluster.nii
│   ├── neg_nmVSm_vox80_cluster的副本.nii
│   ├── neg_nmVSm_vox80_cluster的副本2.nii
│   ├── neg_nmVSm_vox80_cluster的副本3.nii
│   └── neg_nmVSm_vox80_cluster的副本4.nii
└── 安装指南.md

用户可选择comparebrainmaps_yaml.py或者comparebrainmaps_argument.py运行

参数介绍

Comparebrainmaps操作参数选择

总共有data_dir,annotation_source,annotation_desc,annotation_space,

annotation_den,src_space,trg_space,method,resampling,alt_spec共十种参数可选择

data_dir

传入需要比较的脑图文件夹

annotation_source,annotation_desc,annotation_space,annotation_den

以下为需要用来比较的annotation的四个参数

source代表文章来源的简写，如**‘abagen’、'aghourian2017'**

desc表示描述脑图代表的是什么，如**’genepc‘、'feobv'**

space表示4中空间坐标系有

  1. MNI152 (volumetric) space,
  2. fsLR (surface) space,
  3. fsaverage (surface) space, and
  4. CIVET (surface) space

den表示密度分辨率的选择

以下内容为可供选择的所有annotation

  • ('abagen', 'genepc1', 'fsaverage', '10k')
  • ('aghourian2017', 'feobv', 'MNI152', '1mm')
  • ('alarkurtti2015', 'raclopride', 'MNI152', '3mm')
  • ('bedard2019', 'feobv', 'MNI152', '1mm')
  • ('beliveau2017', 'az10419369', 'MNI152', '1mm')
  • ('beliveau2017', 'cimbi36', 'MNI152', '1mm')
  • ('beliveau2017', 'cumi101', 'MNI152', '1mm')
  • ('beliveau2017', 'dasb', 'MNI152', '1mm')
  • ('beliveau2017', 'sb207145', 'MNI152', '1mm')
  • ('ding2010', 'mrb', 'MNI152', '1mm')
  • ('dubois2015', 'abp688', 'MNI152', '1mm')
  • ('dukart2018', 'flumazenil', 'MNI152', '3mm')
  • ('dukart2018', 'fpcit', 'MNI152', '3mm')
  • ('fazio2016', 'madam', 'MNI152', '3mm')
  • ('finnema2016', 'ucbj', 'MNI152', '1mm')
  • ('gallezot2010', 'p943', 'MNI152', '1mm')
  • ('gallezot2017', 'gsk189254', 'MNI152', '1mm')
  • ('hcps1200', 'megalpha', 'fsLR', '4k')
  • ('hcps1200', 'megbeta', 'fsLR', '4k')
  • ('hcps1200', 'megdelta', 'fsLR', '4k')
  • ('hcps1200', 'meggamma1', 'fsLR', '4k')
  • ('hcps1200', 'meggamma2', 'fsLR', '4k')
  • ('hcps1200', 'megtheta', 'fsLR', '4k')
  • ('hcps1200', 'megtimescale', 'fsLR', '4k')
  • ('hcps1200', 'myelinmap', 'fsLR', '32k')
  • ('hcps1200', 'thickness', 'fsLR', '32k')
  • ('hesse2017', 'methylreboxetine', 'MNI152', '3mm')
  • ('hill2010', 'devexp', 'fsLR', '164k')
  • ('hill2010', 'evoexp', 'fsLR', '164k')
  • ('hillmer2016', 'flubatine', 'MNI152', '1mm')
  • ('jaworska2020', 'fallypride', 'MNI152', '1mm')
  • ('kaller2017', 'sch23390', 'MNI152', '3mm')
  • ('kantonen2020', 'carfentanil', 'MNI152', '3mm')
  • ('laurikainen2018', 'fmpepd2', 'MNI152', '1mm')
  • ('margulies2016', 'fcgradient01', 'fsLR', '32k')
  • ('margulies2016', 'fcgradient02', 'fsLR', '32k')
  • ('margulies2016', 'fcgradient03', 'fsLR', '32k')
  • ('margulies2016', 'fcgradient04', 'fsLR', '32k')
  • ('margulies2016', 'fcgradient05', 'fsLR', '32k')
  • ('margulies2016', 'fcgradient06', 'fsLR', '32k')
  • ('margulies2016', 'fcgradient07', 'fsLR', '32k')
  • ('margulies2016', 'fcgradient08', 'fsLR', '32k')
  • ('margulies2016', 'fcgradient09', 'fsLR', '32k')
  • ('margulies2016', 'fcgradient10', 'fsLR', '32k')
  • ('mueller2013', 'intersubjvar', 'fsLR', '164k')
  • ('naganawa2020', 'lsn3172176', 'MNI152', '1mm')
  • ('neurosynth', 'cogpc1', 'MNI152', '2mm')
  • ('norgaard2020', 'flumazenil', 'MNI152', '1mm')
  • ('normandin2015', 'omar', 'MNI152', '1mm')
  • ('radnakrishnan2018', 'gsk215083', 'MNI152', '1mm')
  • ('raichle', 'cbf', 'fsLR', '164k')
  • ('raichle', 'cbv', 'fsLR', '164k')
  • ('raichle', 'cmr02', 'fsLR', '164k')
  • ('raichle', 'cmruglu', 'fsLR', '164k')
  • ('reardon2018', 'scalinghcp', 'civet', '41k')
  • ('reardon2018', 'scalingnih', 'civet', '41k')
  • ('reardon2018', 'scalingpnc', 'civet', '41k')
  • ('rosaneto', 'abp688', 'MNI152', '1mm')
  • ('sandiego2015', 'flb457', 'MNI152', '1mm')
  • ('sasaki2012', 'fepe2i', 'MNI152', '1mm')
  • ('satterthwaite2014', 'meancbf', 'MNI152', '1mm')
  • ('savli2012', 'altanserin', 'MNI152', '3mm')
  • ('savli2012', 'dasb', 'MNI152', '3mm')
  • ('savli2012', 'p943', 'MNI152', '3mm')
  • ('savli2012', 'way100635', 'MNI152', '3mm')
  • ('smart2019', 'abp688', 'MNI152', '1mm')
  • ('smith2017', 'flb457', 'MNI152', '1mm')
  • ('sydnor2021', 'SAaxis', 'fsLR', '32k')
  • ('tuominen', 'feobv', 'MNI152', '2mm')
  • ('turtonen2020', 'carfentanil', 'MNI152', '1mm')
  • ('xu2020', 'FChomology', 'fsLR', '32k')
  • ('xu2020', 'evoexp', 'fsLR', '32k')

resample 图像需要的参数

src_space,trg_space

src_space,trg_space分别代表自己传入的脑图空间，用来比较的脑图标识空间

method

{'nearest', 'linear'}, optional) -- 重采样方法。如果数据是标签图像，请指定“nearest”。默认值:linear

resampling

重采样 src 和 trg 的重采样函数的名称。必须是以下之一：“downsample_only”、“transform_to_src”、“transform_to_trg”、“transform_to_alt”。有关详细信息，请参阅注释。默认值：'downsample_only'

四种可用的重采样策略将控制src和/或trg在相关之前的重采样方式。选项包括 resampling='downsample_only'（重采样）。 来自src和trg的数据将被重采样为两个输入数据集的较低分辨率 resampling='transform_to_src'（重采样）。 来自trg的数据总是被重新采样，以匹配src的空间和分辨率 resampling='transform_to_trg'（重采样）。 来自src的数据总是被重新取样以匹配trg的空间和分辨率 resampling='transform_to_alt'（重采样）。

alt_spec

其中条目是所需目标空间的（空间、分辨率）。仅在 resampling='transform_to_alt' 时使用。默认值：None

对Spatial Nulls显著性检验

neuromaps.nulls 模块

该模块提供了对各种空模型的访问，可用于生成 "空 "脑图，保留原始脑图的空间自相关方面。(关于这些模型的回顾，请参考Markello & Misic, 2021, NeuroImage）

有四种可用的空（nulls）模型可用于体素和顶点数据（voxel- and vertex-wise data ），八种空模型（nulls）可用于分块（parcellated）数据。有关空模型的完整列表，请参阅 neuromaps.nulls API。

neuromaps.nulls.alexander_bloch(data[, ...])

Generates null maps from data using method from [SN1]

neuromaps.nulls.vazquez_rodriguez(data[, ...])

Generates null maps from data using method from [SN1]

neuromaps.nulls.vasa(data[, atlas, density, ...])

Generates null maps for parcellated data using method from [SN2]

neuromaps.nulls.hungarian(data[, atlas, ...])

Generates null maps for parcellated data using the Hungarian method ([SN3])

neuromaps.nulls.baum(data[, atlas, density, ...])

Generates null maps for parcellated data using method from [SN4]

neuromaps.nulls.cornblath(data[, atlas, ...])

Generates null maps for parcellated data using method from [SN5]

neuromaps.nulls.burt2018(data[, atlas, ...])

Generates null maps for data using method from [SN6]

neuromaps.nulls.burt2020(data[, atlas, ...])

Generates null maps for data using method from [SN7] and [SN8]

neuromaps.nulls.moran(data[, atlas, ...])

Generates null maps for data using method from [SN9]

其中可选择的参数有

  • data ((N,**) array_like) – Input data from which to generate null maps. The data must be parcellated and array-like. If None is provided then the resampling array will be returned instead.(这里默认为自己传的data_dir的脑图)

  • atlas ({'fsLR'**, 'fsaverage'**, 'civet'}**, optional) – Name of surface atlas on which data are defined. Default: ‘fsaverage’

  • density (str, optional) – Density of atlas on which data are defined. Must be compatible with specified atlas. Default: ‘10k’

  • seed ({int**, np.random.RandomState instance*,* None}**, optional) – Seed for random number generation. Default: None

  • n_perm (int, optional) – Number of null maps or permutations to generate. Default: 1000

    --nulls nulls.alexander_bloch 可选择的空模型，不填默认为 nulls.alexander_bloch

    --atlas可选择的atlas表面。如果 resampling='transform_to_alt，那么 这里应该与重采样的 atlas保持一致

    --density 10k可选择的altas的密度分辨率，必须与选择atlas兼容

    --n_perm 100可选择生成Null maps 或者permutaitions的数量， 默认100

    --seed 1000 随机种子设置，保证实验可重复性，默认为1000

    参考API

Nulls with non-parcellated data（surface）

null_map的生成需要上述9种方法和5中参数，返回值为（顶点，空值）。得到的nulls传到stats.compare_images 得到相似度和pvalue

Nulls for volumetric data

大多数空间空值在以表面坐标系为代表的数据中效果最好。如果你正在处理以MNI152系统表示的数据，你必须使用以下三种空模型之一。再使用之前先在命令行输入，来安装依赖库

pip install brinsmash

  • neuromaps.nulls.burt2018（）
  • neuromaps.nulls.burt2020()
  • neuromaps.nulls.Moran()

而其他可用的空模型假定所提供的数据在皮质表面上表示，这些模型更灵活。然而，它们都依赖于在内存中计算和存储所提供图像的距离矩阵，因此，对于体积图像来说，计算量非常大。

Nulls for parcellated data（surface）

可参考官方文档 或者查看demo.ipynb

--map_left和 --map_right参数分别代表左右脑的gii格式的lable files。

文件夹 test_gii 中就是官方的左右脑的lable files

然后经过函数relabel_gifti更新GIFTI图像，使lable id在半球上是连续的

使用指南

comparebrainmaps_yaml.py使用

首先在config.yaml文件配置所需参数。

具体参数介绍可见上文。

运行测试：

在vscode 或者 pycharm中点击运行

或者在当前目录的终端中输入 python3 comparebrainmaps_yaml.py

image-20221206173617895

第一个选项是是否选择计算pvalue，默认计算

第二个是选择有分割的脑图还是未分割的脑图，默认为未分割

然后将计算后的结果自动保存到当前文件夹下的output.csv excel文件中

image-20221206174327975

comparebrainmaps_arguments.py使用

这里的使用参数与上文类似，除了data_dir替换为单独脑图名，其他参数类似，再终端里输入以下命令得到一个结果的脑图相关系数和pvalue。不保存csv

python comparebrainmaps_argument.py --data_dir test_nii/neg_mVSnm_vox80_cluster.nii  --annotation_desc  genepc1  --src_space  MNI152 --trg_space fsaverage  --resampling transform_to_alt  --alt_spec fsaverage 10k --nulls nulls.alexander_bloch --nulls nulls.alexander_bloch --density 10k --n_perm 100 --seed 1000 --map_left test_gii/left.gii --map_right test_gii/rigtht.gii

image-20221206174856822

About

比较脑图的相关性和pvalue

Resources

Readme
Activity

Stars

0 stars

Watchers

1 watching

Forks

0 forks
Report repository

Releases

No releases published

Packages

No packages published

Languages