多模态脑影像数据处理方案

文摘 2024-11-11 08:03 北京

PSYCH统计实验室

01 引言

在脑科学领域，理解大脑的复杂功能和结构是一项巨大的挑战。而多模态脑影像的应用为这一领域提供了全新的解决方案。多模态融合为我们带来了更丰富、更全面的视角，帮助我们深入揭示大脑活动背后的奥秘。在本期，我们将介绍多模态影像数据的处理步骤，以及一批数据处理的案例分享。

02 多模态脑影像数据

多模态脑影像数据是指利用不同成像技术采集的大脑信息，这些技术包括功能磁共振成像（fMRI）、结构磁共振成像（sMRI）、扩散张量成像（DTI）、正电子发射断层扫描（PET）等。每种成像技术都有其独特的优势：

· fMRI 可以测量大脑的功能活动，帮助了解特定任务或静息状态下的神经活动。

· sMRI 提供大脑的解剖结构信息，帮助识别不同脑区的形态变化。

· DTI 则用于观察大脑中的白质纤维束，揭示不同脑区之间的连接情况。

处理步骤

数据预处理：不同模态的数据通常需要进行基本的清洗和校正，例如头动矫正、对齐（配准）、归一化等，以保证各模态数据的准确性和可比性。

配准：多模态数据的融合是多模态分析的关键步骤，主要通过空间配准技术将不同模态的数据整合到统一的坐标系中。这有助于在结构图像上看到功能活动，或者在功能连接上结合结构信息。

特征提取、分析、建模等：提取各模态的特征，进行预测或分类等。

多模态脑影像处理中的问题

不同模态的数据在空间分辨率、时间分辨率、信噪比等方面存在差异，如何有效地将这些差异的数据融合起来是一个重要的难题，并且，在多模态数据处理的各个环节，缺乏统一的标准和流程。

03 案例

这批数据包含PET，sMRI两个模态，主要计算海马的体积以及PET的SUVR值。

处理环境：Ubuntu 22

使用软件： Python，ANTs

1. 在标准空间制作ROI

使用cat12的neuromorphometrics.nii文件提取海马区域的ROI，文件路径为spm12\toolbox\cat12\templates_MNI152NLin2009cAsym。代码如下：

from nilearn import plotting, image

import nibabel as nib

import numpy as np

neuro = image.load_img('neuromorphometrics.nii')

neurodata = neuro.get_fdata()

keep_values = [47, 48]

mask = np.isin(neurodata, keep_values)

neurodata[~mask] = 0

nib.save(nib.Nifti1Image(neurodata, neuro.affine), 'atlas.nii')

2. 配准

由于sMRI的大脑结构更清晰，因此一般使用sMRI到标准空间进行配准，因此，首先要将PET配准到sMRI，再将sMRI配准到标准空间，在同一个体不同模态的配准中，由于不涉及到大脑形态的变化，一般采用刚性配准（6自由度），在配准到标准空间时采用非线性配准，代码如下。

#代码

#!/bin/bash

path=/yourpath

for file in $(ls $path)

cd $path/ ${file}

antsRegistrationSyN.sh -d 3 \

-f /yourpath/${file}/${file}.nii.gz \

-m ${file}_pet.nii \

-o petcort1_ \

-n 24 -t r

mv petcort1_Warped.nii.gz ${file}_petint1.nii.gz

done

#代码

#!/bin/bash

path=/yourpath

for file in $(ls $path)

cd $path/${file}

antsRegistrationSyN.sh -d 3 \

-f /yourpath/tpl-MNI152NLin2009cAsym_res-01_desc-brain_T1w.nii.gz \

-m *_stripped.nii.gz \

-o out_ \

-n 24

done

3. 提取体积以及SUVR

将ROI配准到个体空间，代码如下：

#!/bin/bash

path=/yourpath

for file in $(ls $path)

cd $path/ ${file}

antsApplyTransforms \

-d 3 \

-i /yourpath/atlas.nii \

-r ${file}_stripped.nii.gz \

-t [out_0GenericAffine.mat, 1] \

-t out_1InverseWarp.nii.gz \

-n GenericLabel \

-o atlas.nii.gz

mv atlas.nii.gz ${file}_atlas.nii.gz

done

#计算体积

import pandas as pd

import nibabel as nib

import numpy as np

import os

import pandas as pd

import subprocess

base_path = '/yourpath'

df = pd.read_excel('all.xlsx')

for id in os.listdir(base_path):

folder_path = os.path.join(base_path, id)

roifilename = os.path.join(folder_path, f'{id}_atlas.nii.gz')

roifile = nib.load(roifilename)

roidata = roifile.get_fdata()

dim = roifile.header.get_zooms()

volInVoxel = dim[0] * dim[1] * dim[2]

for i in [47, 48]:

tmpAtlas = np.copy(roidata)

tmpAtlas[tmpAtlas != i] = 0

tmpAtlas[tmpAtlas == i] = 1

volume = np.sum(tmpAtlas) * volInVoxel

df.loc[df['ID'] == id, f'volume_{i}'] = volume

print(id)

outputfile = 'volume.xlsx'

df.to_excel(outputfile, index=False)

#计算SUVR

import pandas as pd

import nibabel as nib

import numpy as np

import os

import pandas as pd

import subprocess

from nilearn.image import resample_to_img

type = 'yourtype'

base_path = f'/yourpath/{type}'

t1path = '/yourpath '

df = pd.read_excel('yourpath.xlsx')

for id in os.listdir(base_path):

folder_path = os.path.join(base_path, id)

petfilename = os.path.join(folder_path, f'{id}_{type}.nii.gz')

petfile = nib.load(petfilename)

petdata = petfile.get_fdata()

reforig = nib.load(os.path.join(t1path, id, f'{id}_seg.nii.gz'))

tmp = nib.load(os.path.join(t1path, id, f'{id}_n4.nii.gz'))

ref = resample_to_img(reforig, tmp, interpolation='nearest')

refdata = ref.get_fdata()

roifilename = os.path.join(t1path, id, f'{id}_atlas.nii.gz')

roifile = nib.load(roifilename)

roidata = roifile.get_fdata()

for i in [47, 48]:

tmpAtlas = np.copy(roidata)

tmpAtlas[tmpAtlas != i] = 0

tmpAtlas[tmpAtlas == i] = 1

df.loc[df['ID'] == id, f'{type}_{i}'] = np.sum(petdata * tmpAtlas) / np.sum(tmpAtlas)

#省略参考区域

outputfile = 'output.xlsx'

df.to_excel(outputfile, index=False)

04 后记

关注我们，获取更多神经科学与心理学相关资讯！在后续的推文中，我们还将介绍更多的相关内容，敬请期待！

PSYCH统计实验室

通知公告

网络分析课程目前开放视频课啦

单次课200元/讲（学生），250元/讲（非学生）

共有四讲内容：

①横断面网络分析简介与基础

②网络分析与因子分析

③交叉滞后网络分析

④时间序列网络分析

购买后开放视频权限14天，可多次申请。

并赠送所有课程相关资料（无PPT）

如果想申请购买，请联系M18812507626

更多资讯

关注我们

文稿：Lee

排版：Little Star

责编：Wink
审核：摘星

本文由“Psych统计自习室”课题组原创，欢迎转发至朋友圈。如需转载请联系后台，征得作者同意后方可转载。

Psych统计自习室

大家好，我们是由来自北京师范大学，西南大学，天津医科大学等高校在读硕士、博士研究生组成的一个科研团队——Psych统计自习室。Psych统计自习室旨在关注心理学、精神病学领域的最前沿的系列研究，并做前沿统计知识的分享。

最新文章

如何在r中进行并行运算（一）

龙年的最后一天｜我们一起辞旧迎新

有调节网络中的AND和OR规则

数据可视化指南：如何⽤ R 绘制误差条图？

多水平数据中的验证性因素分析和潜在类分析——多水平因子混合模型

【重磅来袭！】Psych统计自习室寒假培训班第二轮火热报名中！

随机截距交叉滞后模型时间不变控制变量

如何用R语言进行量表的测量不变性检验

轻松掌握三种语言实现随机抽样的代码秘籍

跟着顶刊学配色

招新公告：Psych统计自习室招募新成员啦

（因果）贝叶斯网络与有向无环图（DAG）在因果推断中的应用

jamovi应用系列——潜剖面分析

有调节网络的应用实例

如何将 DICOM 格式的图像转换为 NIfTI/BIDS 格式（二）

贝叶斯网络在精神病理学研究中的应用

社交媒体成瘾纵向追踪实验主试招募令

【重磅来袭！】Psych统计自习室寒假培训班火热报名中！

密集追踪数据处理之贝叶斯多水平中介分析(1-1-1模型)

学习向量量化（Learning Vector Quantization ，LVQ)）及其扩展方法

如何将 DICOM 格式的图像转换为 NIfTI/BIDS 格式（一）

喜报| 粉丝破万，万幸有你！

申请国自然博士生项目经验

心理障碍的网络理论系列（一） ——为什么将心理障碍建模为网络

结构化残差-潜增长曲线模型（LCM-SR）

一文带你走进智能引擎的后台——知识图谱（Knowledge Graph）

如何使用JASP进行网络分析（简单易上手的教程）

有调节的网络中如何检验特定调节作用是否存在

初识Stan：一个简单的多层回归建模指南

reslice详解｜fmri数据处理细节

全教程：横断面网络分析中的网络比较

科普｜QSIprep：简化你的扩散MRI数据预处理之旅

回复贴：GBTM与LCGM

多模态脑影像数据处理方案

潜变量随机截距交叉滞后模型

Rstan和cmdstanr的安装及比较

网络“温度(temperatur)”——评估心理症状网络稳定性的新指标

社区检测中的Overlapping symptoms——基于Clique Percolation算法

如何使用R语言绘制双因子模型

平行潜类别增长模型

置换检验(Permutation tests)的原理和R语言实现

基于Plsgui处理sMRI操作流程|结构共变网络

开放科学下的纵向网络分析——纵向网络分析的预注册指南

Bootstrap抽样技术的简单介绍

利用 GAMLSS 对心理测验进行基于回归的常模分析

随机截距交叉滞后模型多组比较

多项式回归的原理与操作

双因子模型(bi-factor model)的简介及文章介绍

生存分析2 生存分析的操作过程与R实践

生存分析在SPSS上的实践

分类

时事

民生

政务

教育

文化

科技

财富

体娱

健康

情感

旅行

百科

职场

楼市

企业

乐活

学术

汽车

时尚

创业

美食

幽默

美体

文摘

原创标签

时事社会财经军事教育体育科技汽车科学房产搞笑综艺明星音乐动漫游戏时尚健康旅游美食生活摄影宠物职场育儿情感小说曲艺文化历史三农文学娱乐电影视频图片新闻宗教电视剧纪录片广告创意壁纸头像心灵鸡汤星座命理教育培训艺术文化金融财经健康医疗美妆时尚餐饮美食母婴育儿社会新闻工业农业时事政治星座占卜幽默笑话独立短篇连载作品文化历史科技互联网

发布位置

广东北京山东江苏河南浙江山西福建河北上海四川陕西湖南安徽湖北内蒙古江西云南广西甘肃辽宁黑龙江贵州新疆重庆吉林天津海南青海宁夏西藏香港澳门台湾美国加拿大澳大利亚日本新加坡英国西班牙新西兰韩国泰国法国德国意大利缅甸菲律宾马来西亚越南荷兰柬埔寨俄罗斯巴西智利卢森堡芬兰瑞典比利时瑞士土耳其斐济挪威朝鲜尼日利亚阿根廷匈牙利爱尔兰印度老挝葡萄牙乌克兰印度尼西亚哈萨克斯坦塔吉克斯坦希腊南非蒙古奥地利肯尼亚加纳丹麦津巴布韦埃及坦桑尼亚捷克阿联酋安哥拉