功能连接图谱

最新推荐文章于 2025-01-06 11:07:12 发布
原创 最新推荐文章于 2025-01-06 11:07:12 发布 · 2.5k 阅读 · 9 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#fMRI #核磁 #数据分析

博客介绍了Yeo图谱、Brainnetome atlas、Gordon图谱等常用脑图谱的发表时间、引用次数及相关文章信息，还给出了Brainnetome atlas官网。同时提出图谱如何使用的问题，并提及神经影像的图论分析工具GRTNA。

Yeo的图谱，2011年发表，引用有2400+次
Thomas Yeo, B. T., Krienen, F. M., Sepulcre, J., Sabuncu, M. R., Lashkari, D., Hollinshead, M., … & Fischl, B. (2011). The organization of the human cerebral cortex estimated by intrinsic functional connectivity. Journal of neurophysiology, 106(3), 1125-1165.
Brainnetome atlas，2016年发表的文章，包含两个半球共246个子区域，引用290+次
官网：http://atlas.brainnetome.org/index.html
Fan, L., Li, H., Zhuo, J., Zhang, Y., Wang, J., Chen, L., … & Fox, P. T. (2016). The human brainnetome atlas: a new brain atlas based on connectional architecture. Cerebral cortex, 26(8), 3508-3526.

另外一个，2014年发布，引用390+次的
Gordon, E. M., Laumann, T. O., Adeyemo, B., Huckins, J. F., Kelley, W. M., & Petersen, S. E. (2014). Generation and evaluation of a cortical area parcellation from resting-state correlations. Cerebral cortex, 26(1), 288-303.

问题：图谱要怎么用？

GRETNA: a graph theoretical network analysis toolbox for imaging connectomics
GRTNA，神经影像的图论分析

如何画一个漂亮的功能连接矩阵图
从事脑科学核磁共振方法学研究，在Nature communications等权威期刊发表研究论文，熟练掌握磁共振处理方法和统计学方法，欢迎大家和我交流。
07-20 3653
下面将介绍一种画功能连接矩阵热力图的程序。该程序使用简单，有了改代码再也不用担心类似下图的矩阵热力图。 以下几幅图都是来自一些神经、精神、心理学的顶级期刊，包括nature medicine，nature communications、brain等。这些图是以矩热力图的形式展示的功能连接或者统计学结果图。我们可以看到属于不同的网络的节点的连接被一些网格线分割开，很容易让别人识别脑网络。 那么这种图是怎么做出来的呢？本期我们将给大家介绍一个专门用于做这种矩阵热力图的程序，并教大家如何使用改程序做出高清
【脑电分析系列】第15篇：脑电功能连接性与脑网络分析（二）：Granger因果性、图论指标与复杂网络构建
最新发布
qq_32516809的博客
09-17 1232
摘要： 本文深入探讨了脑电（EEG）分析中的高阶连接性方法——有效连接（Effective Connectivity），重点介绍了Granger因果性（Granger Causality, GC）的原理与应用。GC通过统计预测揭示脑区间信息流动方向，超越了传统功能连接的同步性分析。文章还结合图论指标（如度、路径长度、聚类系数和模块化）量化脑网络的拓扑结构，并通过Python代码（MNE和NetworkX库）演示了从EEG数据构建、分析复杂脑网络的完整流程。该研究为理解大脑动态互动、认知任务信息流及神经系统疾
手把手教你画漂亮的功能连接矩阵图（附代码）
悦影科技
07-12 6647
《本文同步发布于“脑之说”微信公众号，欢迎搜索关注~~》 科研图片的重要性是非常重要的，审稿人看到一个低质量的或者欠美观的图片，很可能影响文章的审稿。本期我将介绍一种画功能连接矩阵热力图的程序。该程序使用简单，有了改代码再也不用担心类似下图的矩阵热力图。 以下几幅图都是来自一些神经、精神、心理学的顶级期刊，包括nature medicine，nature communications、brain等。这些图是以矩热力图的形式展示的功能连接或者统计学结果图。我们可以看到属于不同的网络的节点的连接被一些网格线分割
脑电功能连接关系环形图的绘制
Dong的博客
12-08 4457
脑电功能连接，关系环形图
【茗创科技】最酷的脑功能连接图--Circos安装教程
u011661076的博客
06-22 2574
大家好，这里是 “茗创科技” 。茗创科技专注于脑科学数据处理，涵盖（EEG/ERP, fMRI,结构像,DTI,ASL, ,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（MCKJ-zhouyi或17373158786）咨询。你还在用这些方式呈现脑功能连接图吗？这样？ 这样？ 或者这样？ 想知道如何让自己绘制的功能连接图更好看，在一众论文中脱颖而出，吸引审稿人的目光吗？想把自己从审美疲劳中解放出来，画出像下面这样的图吗？ 那么就必
常用功能连接
weixin_40262196的博客
11-09 293
快速安装pip Windows查看CUDA版本号 CUDA官网 亲测有效 Anaconda环境安装GPU版本Pytorch WIN10下PyCharm+Anaconda+PyTorch-GPU+CUDA9.2+cuDNN7.2环境搭建 Anaconda环境安装GPU版本Pytorch python读取csv文件报错，原因是编码方式不是UTF8 ...
基于ICA和图论方法的脑电β波静息态功能连接 (2015年)
05-26
In order to explore normal EEG beta (13~25 Hz) rhythm functional connectivity in resting state， this paper proposed an analysis algorithm which combined independent component analysis (ICA)，graph theory， hierarchical cluster analysis and standardized low-
精选资源
提取fMRI的时间序列，构建功能连接矩阵的matlab代码
06-02
步骤一： 对采集的功能磁共振成像数据进行许多预处理步骤，包括切片之间的时间校正、重新对准、图像配准、基于分割的归一化和空间平滑。需要注意的是预处理步骤的选择和顺序可能会影响最终图指标测量的范围。 ...
使用llama-index连接neo4j知识图谱 达成大模型构建查询知识图谱功能
Silver__Wolf的博客
05-31 5675
我们的目标是使用Llama-Index来连接到Neo4j，以构建和查询知识图谱。通过这个过程，我们能够将文档中的信息转化为知识图谱，并通过模型进行查询。以下参考llama-index官方实现。
精选资源
绘大脑发育图谱，找神经连接规律（发表在Nature期刊）
08-23
文章通过研究秀丽隐杆线虫（Caenorhabditis elegans）全脑的发育过程，利用连续切片电子显微镜技术，重建了8个不同生长阶段的同基因个体的完整大脑连接图谱。尽管大脑的整体几何结构在从出生到成年的过程中保持稳定...
基于独立成分分析和相关分析的fMRI功能连接方法关 (2008年)
06-11
利用功能磁共振成像(functional magnetic resonance imaging,fMRD技术,深人研究和探讨独立成分分析 (independent component analysis,ICA)和相关分析在功能连接方面的应用,并应用于静息状态功能连接,考察在阿尔茨海默病(Alzheimers disease,AD)的病理条件下人脑默认网络(default mode network)的异常,从而加深对AD病理机制的理解和认识。
Yeo2011_7net
10-03
Yeo2011_7net
AAL模板划分的90大脑区域.xlsx
03-29
人类脑区划分模板对应，如有侵权请联系删除。
multiAtlasTT:用于神经影像（maTT）的多图谱转移工具
05-26
multiAtlasTT（测试版） 用于神经影像（maTT）的多图集传输工具 在fsaverage空间对象空间，在这两种体积（nifti）和表面（.annot）格式;给定完成的FreeSurfer侦察-所有目录，这些脚本可以将图谱（也称为“地块划分” .annot文件）。 因此，使用这些工具，可以在主题空间5中获得多个分割（除了通常重构为1的Desikan-Killiany和Destrieux分割）。 标签传输脚本的主要部分改编自编写的脚本。 这些工具的目标是使多幅地图的装配变得容易。 玩得开心！ 这个项目是beta版; 工作正在进行中。 请随时通过发布/拉取评论发表评论。 如果您在学术工作中使用这些工具，则可以考虑。 maTT2更新（推荐） 现在，我们添加了使用FreeSurfer（.gcs）文件标记单个主题的功能。 这些文件很大，因此它们托管在此处的Figshare存储库中：
Nilearn从大脑图谱中提取时间序列及制作功能连接
clancy_wu的博客
11-08 6381
from nilearn import datasets dataset = datasets.fetch_atlas_harvard_oxford('cort-maxprob-thr25-2mm') atlas_filename = dataset.maps labels = dataset.labels print('Atlas ROIs are located in nifti image (4D) at: %s' % atlas_filename) # 4D data # One su
标准化人脑分区
cc1609130201的博客
04-01 1354
使用本文提出的格式化方法,存储库的任何用户都能够找到每个图谱的来源、图谱中存在多少不同的ROI、每个ROI的位置和大小、图谱的分割与其他图谱的比较方式,以及不同图谱的ROI所覆盖的区域之间是否存在显著相关性。在这种情况下,应该使用NULL作为区域的标签。使用Neuroparc中提供的Python脚本,该脚本使用了AFNI和FSL的函数,计算了图谱对之间的Dice系数。我们的团队致力于将广泛选择的流行人脑图谱整合到一个经过策划的开源库中,在那里按照标准化协议存储它们,并附有元数据,这可以作为未来图谱的基础。
使用规范建模分析脑成像数据的实证价值
cc1609130201的博客
01-06 415
最近的额外工作(Marek等，2022)强调了脑-行为建模界必须面对的重要问题，如成像数据的可靠性差、预测模型的稳定性和准确性差，以及准确预测所需的非常大的样本量(超过甚至最大的神经影像样本)。然而，遵循最佳实践，对所有静息态数据进行了类似的步骤，包括多频段数据的场图校正、切片时间校正(非多频段数据)、功能数据到结构数据的配准、标准化到MNI模板空间、空间平滑(2倍体素大小，4-6毫米)，以及干扰因素的回归(白质/脑脊液信号、非激进AROMA成分[Pruim等，2015a；然而，在研究未校正的统计图时，
脑网络组图谱（Brainnetome Atlas
热门推荐
堆烟·雷云纹
06-22 1万+
解析自：http://atlas.brainnetome.org/
FYI | Thomas Yeo的组在招博士和博后@新加坡国立
lazysnake666的博客
10-19 728
非常不错的机会Lab的网站We are looking for a postdoc with a Ph.D. in neuroscience, psychology, or related...
如何用dpabi进行以下操作：提取 PrL 时间序列，与全脑每个体素逐一计算 Pearson 相关 获取每只大鼠的 Z-map（17个功能连接图谱）对两组大鼠进行组件比较（两样本 T 检验） FDR 多重比较矫正
06-21
<think>我们正在讨论使用DPABI进行脑影像数据分析。根据用户需求，操作流程包括：1.提取PrL（前边缘皮层）的时间序列2.计算PrL与全脑每个体素的Pearson相关，生成Z-map3.创建17个功能连接图谱（可能对应17个种子点或17个被试？这里假设是17个种子点，但用户只提到了PrL，所以需要澄清。不过用户要求中明确是17个功能连接图谱，因此可能是17个不同的种子区域）4.对两组大鼠数据执行两样本T检验5.进行FDR多重比较矫正注意：由于用户提到的是大鼠数据，DPABI虽然主要用于人脑，但也可用于动物，但需要注意模板和参数设置可能不同。由于DPABI的图形界面操作较为复杂，且用户要求具体步骤，我们将分步骤说明。但请注意，实际操作可能需要根据具体数据调整。步骤概述：1.数据准备：将大鼠的fMRI数据（如NIfTI格式）整理好，并确保有对应的解剖图像（如果需要配准）。同时，需要PrL的ROI（感兴趣区域）掩模（mask）文件，通常为.nii格式，其中PrL区域为1，其他为0。2.使用DPABI的ROI信号提取工具提取PrL的时间序列。3.使用DPABI的功能连接计算工具，以PrL的时间序列为种子点时间序列，计算与全脑体素的相关性，得到r图，然后转换为z图（Fisher'sZ变换）。4.如果有17个不同的种子区域，重复步骤2和3，得到17个z图（每个被试每个种子区域一个z图）。注意：这里可能需要为每个被试分别计算每个种子点的功能连接图。5.将两组被试的数据分别平均（或使用每个被试的每个种子点的z图）进行组分析：对每个体素进行两样本T检验（比较两组）。6.对T检验结果进行FDR校正。详细步骤（基于DPABI图形界面，版本可能不同，但主要步骤类似）：步骤1：提取PrL时间序列-打开DPABI，选择“ROISignalsExtraction”。-在“InputImages”中选择所有被试的功能像（如resting-statefMRI数据）。-在“ROIMask”中选择PrL的mask文件（.nii格式）。-设置输出目录。-点击“Run”提取时间序列。输出结果是一个文本文件（如ROISignals_PrL.txt），其中每一行代表一个被试的PrL时间序列。步骤2：计算PrL与全脑的功能连接（生成Z-map）-在DPABI主界面选择“FunctionalConnectivity”。-在“SeedSeriesFile”中选择上一步生成的ROISignals_PrL.txt文件（注意：每个被试对应一行，所以这里会为每个被试分别计算）。-在“InputImages”中选择同样的所有被试的功能像。-设置输出目录。-在“Options”中，选择“Fisher'sZtransformation”将相关系数转换为z值。-点击“Run”。输出为每个被试的z图（如zFC_PrL_subject01.nii）。步骤3：对于17个种子区域，重复步骤1和2（需要为每个种子区域准备一个mask，并分别提取时间序列和计算功能连接）。这样每个被试将得到17个z图（每个种子区域一个）。步骤4：组间比较（两样本T检验）-假设我们有两组：组A（如对照组）和组B（如实验组），每组有多个被试。-在DPABI中选择“StatisticalAnalysis”->“TwoSampleT-Test”。-在“Group1Images”中选择第一组所有被试的某个种子区域的z图（例如PrL的z图，那么就是所有组A被试的zFC_PrL_*.nii）。-在“Group2Images”中选择第二组同一种子区域的z图（组B被试的zFC_PrL_*.nii）。-设置输出目录。-在“Mask”中可以选择一个全脑mask（如大鼠的脑mask）以限制分析范围。-点击“Run”进行T检验。输出为T统计图（T_map.nii）和p值图（P_map.nii）等。-重复此步骤，对17个种子区域分别进行两样本T检验。步骤5：FDR校正-在DPABI中选择“MultipleComparisonCorrection”。-在“InputImages”中选择上一步得到的P_map.nii文件（或直接选择T_map.nii，然后选择FDR校正方式）。-选择校正方法为FDR。-设置输出目录。-点击“Run”进行校正。校正后的结果会生成校正后的p值图或显著区域图。注意：上述步骤中，步骤4和5需要对每个种子区域分别进行，因此需要重复17次。也可以使用批处理脚本自动化。另外，如果17个种子区域需要同时分析（即做多变量分析），则可能需要使用其他方法（如ANOVA），但用户要求是两样本T检验，因此我们分别做。参考引用：[^1]:DPABI官方手册或相关文献。由于操作步骤较多，建议用户参考DPABI的官方文档或教程视频。同时，大鼠数据分析可能需要自定义模板和mask，确保ROI的准确性。相关问题：1.如何为大鼠fMRI数据创建ROI掩模（mask）？2.DPABI处理大鼠数据时需要注意哪些参数设置（如空间平滑、标准化等）？3.除了FDR校正，DPABI还支持哪些多重比较校正方法？4.如何批量处理多个种子区域的功能连接分析？5.功能连接图谱的显示和可视化在DPABI中如何实现？</think>### DPABI 脑影像数据分析操作指南 以下是使用 DPABI 进行 PrL 时间序列提取、功能连接分析及统计比较的完整流程： --- #### **1. 数据准备** - **格式要求**：所有 fMRI 数据需转换为 NIfTI 格式（.nii） - **文件结构**： ``` ├── Group1 # 第一组大鼠数据 │ ├── sub01 │ │ ├── rest.nii # 静息态fMRI │ │ └── PrL_mask.nii # PrL ROI掩模 ├── Group2 # 第二组大鼠数据 └── Mask # 全脑掩模（brain_mask.nii） ``` --- #### **2. 提取 PrL 时间序列** 1. **打开 DPABI** `DPABI → ROI Signals Extraction` 2. **参数设置**： - `Input Images`：选择所有被试的 `rest.nii` - `ROI Mask`：加载 `PrL_mask.nii` - `Output`：指定输出目录（自动生成时间序列文本文件 `ROISignals_PrL.csv`） > 输出文件包含每个时间点的 PrL 平均信号值[^1]。 --- #### **3. 计算全脑功能连接（生成 Z-map）** 1. **功能连接模块** `DPABI → Functional Connectivity` 2. **关键配置**： - `Seed Series File`：选择上一步生成的 `ROISignals_PrL.csv` - `Input Images`：同上选择 `rest.nii` - `Mask`：加载全脑掩模 `brain_mask.nii` - **勾选**： - `Pearson Correlation` - `Fisher's Z transformation`（自动生成 Z 值图） - `Output Prefix`：设置为 `zFC_PrL_` > 输出每个被试的 Z-map 文件（如 `zFC_PrL_sub01.nii`）[^1]。 --- #### **4. 创建 17 个功能连接图谱** 1. **重复步骤 2-3** 对每个种子 ROI（共 17 个）： - 准备对应的掩模文件（如 `ROI_01.nii` 到 `ROI_17.nii`） - 分别运行功能连接分析 - 输出命名规范：`zFC_ROI01_sub01.nii`，`zFC_ROI02_sub01.nii`... 2. **批量处理技巧**： - 使用 `DPABI Batch` 模块创建脚本 - 示例批处理命令： ```matlab for i=1:17 dpabi_fc(input_imgs, sprintf('ROI_%02d.nii',i)); end ``` --- #### **5. 组间统计比较（两样本 T 检验）** 1. **启动统计模块** `DPABI → Statistical Analysis → Two-Sample T-Test` 2. **参数配置**： - `Group1 Images`：选择第一组所有被试的 Z-map（如 `Group1/zFC_PrL_*.nii`） - `Group2 Images`：选择第二组的 Z-map - `Mask File`：加载 `brain_mask.nii` - `Output Dir`：设置统计结果目录 3. **执行分析**：点击 `Run` 生成 T 统计图（`T_map.nii`）和 p 值图（`P_map.nii`） --- #### **6. FDR 多重比较矫正** 1. **矫正模块** `DPABI → Results → Multiple Comparison Correction` 2. **操作步骤**： - `Input Images`：选择 T 检验生成的 `P_map.nii` - `Correction Method`：选择 `FDR` - `Q value`：设置阈值（通常 0.05） - 点击 `Run` 生成矫正后的显著区域图（`FDR_corrected_map.nii`） > 最终结果中，体素值 >0 表示 Group1 > Group2，<0 表示 Group1 < Group2[^1]。 --- #### **关键注意事项** 1. **大鼠数据特殊设置**： - 在 `DPABI → Basic Utilities → Default Setup` 中： - 关闭 `Human Template`（使用大鼠模板） - 调整体素大小（如 0.2×0.2×0.2 mm³） 2. **验证结果**： - 使用 `DPABI Viewer` 叠加统计图和解剖模板 - 检查簇大小（cluster size）是否满足校正要求 > 完整流程约需 4-12 小时（取决于数据量），建议在高性能计算集群运行[^1]。
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值