Nilearn教程系列(3)-ICA静息功能磁共振成像的分组分析:CanICA

将CanICA应用于静息状态数据的示例。此示例将其应用于ADHD200数据集的30个主题。

然后,它绘制一个地图,所有的组件一起和轴向切割的每个组件分开。

CanICA是一种用于fMRI数据组级分析的ICA方法。与其他策略相比,它带来了一个良好控制的组模型,以及一个阈值算法控制特异性和敏感性的显式模型的信号。

文献参考:

G. Varoquaux et al. "ICA-based sparse features recovery from fMRI datasets", IEEE ISBI 2010, p. 1177

G. Varoquaux et al. "A group model for stable multi-subject ICA on fMRI datasets", NeuroImage Vol 51 (2010), p. 288-299

1.加载ADHD200数据

from nilearn import datasets

adhd_dataset = datasets.fetch_adhd(n_subjects=30)
func_filenames = adhd_dataset.func  # list of 4D nifti files for each subject

# 数据集基本信息
print('First functional nifti image (4D) is at: %s' %
      func_filenames[0])  # 4D data

2.将CanICA应用在核磁共振图像

from nilearn.decomposition import CanICA

canica = CanICA(n_components=20, smoothing_fwhm=6.,
                memory="nilearn_cache", memory_level=2,
                threshold=3., verbose=10, random_state=0)
canica.fit(func_filenames)

# 检索大脑空间中的独立成分。可通过属性components_img_直接访问。
components_img = canica.components_img_
#components_img是一个Nifti Image对象,可以使用以下行保存到文件中:
components_img.to_filename('canica_resting_state.nii.gz')

3.可视化

3.1将所有的组件都放在同一组图片上

from nilearn.plotting import plot_prob_atlas
import warnings
warnings.filterwarnings("ignore")
# Plot all ICA components together
plot_prob_atlas(components_img, title='All ICA components')

3.2将所有的ICA组件单独绘制

from nilearn.image import iter_img
from nilearn.plotting import plot_stat_map, show
import warnings
warnings.filterwarnings("ignore")
for i, cur_img in enumerate(iter_img(components_img)):
    plot_stat_map(cur_img, display_mode="z", title="IC %d" % i,
                  cut_coords=1, colorbar=False)

show()

文章仅用于学术交流,不用于商业行为,

(0)

相关推荐