当前博文未提及该问题，以下是基于C知道的知识内容为您回答 在Python中，您可以使用`nilearn`库加载CC200图谱，并提取和可视化指定的脑区（lPRECU, IFG, lPARAH, lPOST, rLING）。以下是完整的代码实现，包含详细的步骤和注释。 ## 1. 环境准备与数据加载 首先，确保已安装`nilearn`、`nibabel`和`matplotlib`库。然后加载CC200图谱及其标签。 ```python # 导入必要的库 import numpy as np import matplotlib.pyplot as plt from nilearn import datasets, plotting, image from nilearn.plotting import plot_roi, plot_stat_map import pandas as pd # 加载CC200图谱（nilearn会自动下载或从缓存加载） craddock_atlas = datasets.fetch_atlas_craddock_2012(n_rois=200, resolution=2) # [ref_2] # 获取图谱文件路径和标签文件路径 atlas_filename = craddock_atlas['maps'] # .nii.gz文件 labels_filename = craddock_atlas['labels'] # 标签文本文件 print(f"图谱文件路径: {atlas_filename}") print(f"标签文件路径: {labels_filename}") # 读取标签信息（假设为CSV或文本格式） # 注意：实际标签文件格式可能需调整读取方式 try: # 尝试读取为CSV（逗号分隔） labels_df = pd.read_csv(labels_filename, header=None) roi_labels = labels_df[0].tolist() if len(labels_df.columns) > 0 else [] except: # 尝试读取为纯文本（每行一个标签） with open(labels_filename, 'r') as f: roi_labels = [line.strip() for line in f.readlines()] print(f"共加载 {len(roi_labels)} 个ROI标签") ``` ## 2. 识别目标脑区的ROI编号 CC200图谱通常使用数字编号标识每个脑区。您需要根据标签名称查找对应的ROI编号。 ```python # 定义目标脑区名称（根据您的需求） target_regions = ['lPRECU', 'IFG', 'lPARAH', 'lPOST', 'rLING'] # 创建脑区名称到ROI编号的映射字典 region_to_roi = {} # 在标签列表中查找目标脑区（注意：实际标签名称可能略有不同） for idx, label in enumerate(roi_labels, start=1): label_lower = label.lower() # 根据常见命名习惯进行匹配（可根据实际标签调整） if 'precu' in label_lower and 'l' in label_lower[:3]: region_to_roi['lPRECU'] = idx elif 'ifg' in label_lower or 'inferior frontal' in label_lower: region_to_roi['IFG'] = idx elif 'parah' in label_lower and 'l' in label_lower[:3]: region_to_roi['lPARAH'] = idx elif 'post' in label_lower and 'l' in label_lower[:3]: region_to_roi['lPOST'] = idx elif 'ling' in label_lower and 'r' in label_lower[:3]: region_to_roi['rLING'] = idx # 检查是否找到所有目标脑区 for region in target_regions: if region in region_to_roi: print(f"找到脑区 {region}: ROI编号 {region_to_roi[region]}") else: print(f"警告: 未找到脑区 {region}，尝试模糊匹配或检查标签名称") # 如果自动匹配失败，可手动指定ROI编号（根据您的图谱版本） # region_to_roi = {'lPRECU': 45, 'IFG': 67, 'lPARAH': 89, 'lPOST': 112, 'rLING': 156} ``` ## 3. 创建目标脑区的二值化图谱 将目标脑区提取出来，创建一个新的NIfTI图像，其中只有这些脑区被标记。 ```python # 加载图谱数据 import nibabel as nib atlas_img = nib.load(atlas_filename) atlas_data = atlas_img.get_fdata() # 创建空的目标脑区掩模 target_mask = np.zeros_like(atlas_data) # 将目标ROI编号的区域设置为1 for region, roi_id in region_to_roi.items(): target_mask[atlas_data == roi_id] = 1 print(f"已标记脑区 {region} (ROI {roi_id})，体素数: {np.sum(atlas_data == roi_id)}") # 创建新的NIfTI图像 target_img = nib.Nifti1Image(target_mask, atlas_img.affine, atlas_img.header) # 保存目标脑区图谱（可选） # nib.save(target_img, 'target_regions.nii.gz') ``` ## 4. 可视化目标脑区 使用`nilearn`的绘图功能可视化提取的脑区。 ```python # 设置绘图风格 plt.style.use('seaborn-whitegrid') # 创建子图布局 fig = plt.figure(figsize=(16, 10)) # 1. 3D玻璃脑可视化 ax1 = fig.add_subplot(2, 3, 1, projection='3d') plotting.plot_roi(target_img, display_mode='ortho', # 三视图显示 cut_coords=(0, 0, 0), # 中心坐标 title='目标脑区 (三视图)', axes=ax1) # 2. 单个脑区分别可视化（如果ROI不重叠） ax2 = fig.add_subplot(2, 3, 2) for region, roi_id in region_to_roi.items(): region_mask = (atlas_data == roi_id).astype(np.float32) region_img = nib.Nifti1Image(region_mask, atlas_img.affine) # 使用不同颜色显示不同脑区 colors = ['red', 'blue', 'green', 'purple', 'orange'] color_idx = list(region_to_roi.keys()).index(region) plotting.plot_roi(region_img, display_mode='z', cut_coords=1, colorbar=False, title=region, axes=ax2, alpha=0.7, color=colors[color_idx % len(colors)]) # 3. 表面投影可视化（需要表面模板） try: ax3 = fig.add_subplot(2, 3, 3, projection='3d') fsaverage = datasets.fetch_surf_fsaverage() plotting.plot_surf_roi(fsaverage['infl_left'], roi_map=target_mask, hemi='left', view='lateral', title='左侧表面投影', axes=ax3) except Exception as e: print(f"表面可视化失败: {e}") # 备用：使用统计图显示 plotting.plot_stat_map(target_img, display_mode='z', cut_coords=range(-30, 71, 20), title='轴向切片', axes=ax3) # 4. 所有目标脑区叠加显示 ax4 = fig.add_subplot(2, 3, 4) plotting.plot_roi(target_img, display_mode='x', cut_coords=range(-40, 41, 20), title='矢状位切片', axes=ax4) # 5. 冠状位视图 ax5 = fig.add_subplot(2, 3, 5) plotting.plot_roi(target_img, display_mode='y', cut_coords=range(-40, 41, 20), title='冠状位切片', axes=ax5) # 6. 信息总结表格 ax6 = fig.add_subplot(2, 3, 6) ax6.axis('tight') ax6.axis('off') # 创建汇总表格 table_data = [] for region in target_regions: roi_id = region_to_roi.get(region, '未找到') voxel_count = np.sum(atlas_data == roi_id) if isinstance(roi_id, int) else 0 table_data.append([region, roi_id, voxel_count]) table = ax6.table(cellText=table_data, colLabels=['脑区', 'ROI编号', '体素数'], loc='center', cellLoc='center', colWidths=[0.3, 0.3, 0.4]) table.auto_set_font_size(False) table.set_fontsize(10) table.scale(1.2, 1.5) ax6.set_title('目标脑区信息汇总', pad=20) plt.tight_layout() plt.show() ``` ## 5. 高级可视化：交互式3D显示 ```python # 交互式3D可视化（需要安装ipympl或使用Jupyter Notebook） # %matplotlib widget # 在Jupyter中取消注释以启用交互式 from nilearn import surface from nilearn.plotting import plot_surf_stat_map # 将体积数据投影到表面 try: # 获取表面模板 fsaverage = datasets.fetch_surf_fsaverage() # 将体积图谱投影到左侧表面 texture_left = surface.vol_to_surf(target_img, fsaverage['pial_left']) # 绘制表面图 fig, axes = plt.subplots(1, 2, figsize=(12, 5), subplot_kw={'projection': '3d'}) # 左侧视图 plot_surf_stat_map(fsaverage['infl_left'], texture_left, hemi='left', view='lateral', title='左侧脑区 (lPRECU, lPARAH, lPOST)', axes=axes[0], threshold=0.5, cmap='autumn') # 右侧视图 texture_right = surface.vol_to_surf(target_img, fsaverage['pial_right']) plot_surf_stat_map(fsaverage['infl_right'], texture_right, hemi='right', view='lateral', title='右侧脑区 (rLING, IFG可能涉及双侧)', axes=axes[1], threshold=0.5, cmap='winter') plt.tight_layout() plt.show() except Exception as e: print(f"表面投影失败，使用备用体积可视化: {e}") # 备用：使用plot_glass_brain进行玻璃脑显示 from nilearn.plotting import plot_glass_brain fig, ax = plt.subplots(figsize=(10, 8)) plot_glass_brain(target_img, display_mode='lyrz', # 四个视角 title='目标脑区玻璃脑视图', axes=ax, colorbar=True) plt.show() ``` ## 6. 提取每个脑区的统计信息 ```python # 计算每个目标脑区的空间统计信息 region_stats = [] for region, roi_id in region_to_roi.items(): if isinstance(roi_id, int): # 获取该ROI的体素坐标 roi_coords = np.argwhere(atlas_data == roi_id) if len(roi_coords) > 0: # 计算质心（中心坐标） centroid = np.mean(roi_coords, axis=0) # 将体素坐标转换为MNI坐标 # 注意：这里简化处理，实际需要应用仿射变换 mni_coords = nib.affines.apply_affine(atlas_img.affine, centroid) region_stats.append({ 'Region': region, 'ROI_ID': roi_id, 'Voxel_Count': len(roi_coords), 'Centroid_MNI_X': mni_coords[0], 'Centroid_MNI_Y': mni_coords[1], 'Centroid_MNI_Z': mni_coords[2], 'Volume_mm3': len(roi_coords) * np.abs(np.linalg.det(atlas_img.affine[:3, :3])) }) # 创建统计表格 stats_df = pd.DataFrame(region_stats) print("\n目标脑区统计信息:") print(stats_df.to_string(index=False)) # 可视化统计信息 fig, axes = plt.subplots(2, 2, figsize=(12, 10)) # 1. 体素数量柱状图 axes[0, 0].bar(stats_df['Region'], stats_df['Voxel_Count'], color='skyblue') axes[0, 0].set_title('各脑区体素数量') axes[0, 0].set_ylabel('体素数') axes[0, 0].tick_params(axis='x', rotation=45) # 2. 体积分布饼图 axes[0, 1].pie(stats_df['Volume_mm3'], labels=stats_df['Region'], autopct='%1.1f%%') axes[0, 1].set_title('各脑区相对体积') # 3. MNI坐标3D散点图 ax3d = fig.add_subplot(2, 2, 3, projection='3d') scatter = ax3d.scatter(stats_df['Centroid_MNI_X'], stats_df['Centroid_MNI_Y'], stats_df['Centroid_MNI_Z'], c=range(len(stats_df)), s=stats_df['Voxel_Count']/10, cmap='viridis', alpha=0.8) # 添加标签 for i, row in stats_df.iterrows(): ax3d.text(row['Centroid_MNI_X'], row['Centroid_MNI_Y'], row['Centroid_MNI_Z'], row['Region'], fontsize=9) ax3d.set_xlabel('MNI X') ax3d.set_ylabel('MNI Y') ax3d.set_zlabel('MNI Z') ax3d.set_title('脑区质心MNI坐标') # 4. 坐标热图 coords_matrix = stats_df[['Centroid_MNI_X', 'Centroid_MNI_Y', 'Centroid_MNI_Z']].values im = axes[1, 1].imshow(coords_matrix, aspect='auto', cmap='coolwarm') axes[1, 1].set_title('脑区坐标热图') axes[1, 1].set_xlabel('坐标轴 (X,Y,Z)') axes[1, 1].set_ylabel('脑区') axes[1, 1].set_xticks([0, 1, 2]) axes[1, 1].set_xticklabels(['X', 'Y', 'Z']) axes[1, 1].set_yticks(range(len(stats_df))) axes[1, 0].set_yticklabels(stats_df['Region']) plt.colorbar(im, ax=axes[1, 1]) plt.tight_layout() plt.show() ``` ## 7. 实用建议与注意事项 1. **标签匹配问题**：CC200图谱的标签命名可能因版本而异。如果上述代码无法找到目标脑区，请先检查实际的标签名称： ```python # 打印前20个标签查看命名格式 print("前20个ROI标签:") for i, label in enumerate(roi_labels[:20], 1): print(f"{i}: {label}") ``` 2. **手动指定ROI编号**：如果知道确切的ROI编号，可以直接指定： ```python region_to_roi = { 'lPRECU': 45, # 示例编号，请根据实际图谱调整 'IFG': 67, 'lPARAH': 89, 'lPOST': 112, 'rLING': 156 } ``` 3. **批量处理多个被试**：如果需要处理多个被试的数据，可以将上述代码封装为函数： ```python def extract_and_visualize_regions(atlas_path, target_regions_dict, output_dir='results'): """提取并可视化指定脑区""" # ... 实现代码 ... return region_masks, stats_df ``` 4. **与功能数据结合**：提取的脑区掩模可用于后续的fMRI时间序列提取： ```python from nilearn.input_data import NiftiLabelsMasker # 创建掩模器 masker = NiftiLabelsMasker(labels_img=target_img, standardize=True, detrend=True, low_pass=0.1, high_pass=0.01, t_r=2.0) # 根据实际TR调整 # 提取时间序列 # time_series = masker.fit_transform(func_img) ``` 此代码提供了从加载CC200图谱到可视化特定脑区的完整流程。您可以根据实际需要调整脑区名称、ROI编号和可视化参数。如果在匹配脑区名称时遇到问题，建议先检查图谱的标签文件，确认目标脑区的确切命名方式。