Nilearn：Python可视化MRI工具

一般的MRI数据分析软件（例如AFNI、FSL等）都有可视化的功能，但是往往只能通过另存为的方法导出，且对于Colorbar、图片比例等设置难以高度自定义。本文介绍一个基于Python的Nilearn库，可以用于统计分析以及可视化MRI。官网是这样介绍的：

Nilearn enables approachable and versatile analyses of brain volumes. It provides statistical and machine-learning tools, with instructive documentation & open community.

本文可以学到什么

本文你可以看到一些在手册中可能找不到的用法，比如：

• 如何裁剪，只呈现部分区域？
• 如何设置自定义的Colorbar
• 如何翻转矢状面（枕部在左还是右）

本文不包括基本的用法：

• 一般的三维截面显示
• 多slice显示等

同样也不包括统计分析等使用，仅仅是可视化已经处理好的结果

如何裁剪特定区域

对于这个需求，我想应该是普遍的，特别是对于ROI区域结果的展示，因为呈现整个大脑会让结果不那么突出。

1. 参考链接：Plotting with nilearn: Any possibility to zoom or to visualize section of image?

2. 基本思路

   • 获取每个绘图对象的坐标轴属性，然后设定范围即可

3. 示例代码

   from nilearn import plotting, datasets
   atlas = datasets.fetch_atlas_destrieux_2009()
   disp = plotting.plot_roi(atlas["maps"])
   disp.axes["x"].ax.set_xlim(-30, 30)   # 主要是这两行代码
   disp.axes["x"].ax.set_ylim(-30, 30)
   plotting.show()

4. 结果展示（这种情况只能通过可视化软件一点点尝试想要裁剪的区域）

翻转矢状面切片

1. 基本情况：

   • 在Nilearn中，矢状面的显示为前部（Anterior）在右侧，后部（Posterior）在左侧，如下例图所示。

2. 基本需求

   • 将前部显示在左侧，后部显示在右侧
   • 实现方法就是翻转下坐标轴

   • 参考链接：Show nilearn plots from both sides in sagittal view

     from nilearn import datasets
     from nilearn import plotting
     stat_img = datasets.load_sample_motor_activation_image()
     display = plotting.plot_stat_map(
     stat_img,
     display_mode="x",
     cut_coords=3,
     title="display_mode='x', cut_coords=3",
     )
     #　以下是反转的代码
     T = list(range(0,3))
     for t in T:
     ax = list(display.axes.values())[t].ax
     ax.set_xlim(*ax.get_xlim()[::-1])

自定义Colorbar范围

这一部分内容其实算不上关于Nilearn的使用方法，更多的是Python的范畴。但就写在这里了吧~

在Python的Matplotlib库中的可选Colormaps，我们可能只想要一个部分的显示范围，这个如何实现？

参考链接：python绘图：截取matplotlib colormap色谱的一部分

主要原理就是截取范围内的Colorbar，然后生成新的Cmap

示例代码：

import matplotlib.colors as colors
import matplotlib.pyplot as plt
import numpy as np

def truncate_colormap(cmap, minval=0.0, maxval=1.0, n=100):
    new_cmap = colors.LinearSegmentedColormap.from_list(
        "trunc({n},{a:.2f},{b:.2f})".format(n=cmap.name, a=minval, b=maxval),
        cmap(np.linspace(minval, maxval, n)),
    )
    return new_cmap

cmap = plt.get_cmap("Spectral")　
# 新的cmap，这样就可以直接使用了
trunc_cmap = truncate_colormap(cmap, 0.2, 0.8)

展示不同区域

1. 基本需求介绍
   • 你的MRI数据中的结果是离散的，而且不同的值代表了不同的含义
   • 含义可以是各种各样的，比如这一连串离散值代表了不同的区域，样本etc.

2. 直接上代码（链接：https://rec.ustc.edu.cn/share/a8366fa0-0077-11ef-91de-c127b1bf6ec8 密码： wtk8 ，有效期到2026-06-31）

   import matplotlib.pyplot as plt
   import numpy as np
   from matplotlib import cm
   import matplotlib as mpl
   from nilearn import plotting
   from matplotlib.colors import ListedColormap
   stat_img = "your mri file dic"
   
   fig1 = plt.figure(figsize=(7, 3),dpi = 300)
   # 如果你有多个你就可以罗列多个（没有试过，如果有需求可以试试
   legend_elements = [plt.Line2D([0], [0], marker='s', color='w', markerfacecolor='#00FFFF', markersize=14, label='DoG-1'),
                    plt.Line2D([0], [0], marker='s', color='w', markerfacecolor='#FF0000', markersize=14, label='DoG-2')]
   plotting.plot_stat_map(
     stat_img,
     display_mode="z",
     cut_coords=[1,4,8,12],
     cmap=cm.get_cmap('hsv',2045),
     colorbar = False, 
     cbar_tick_format = "%.3g",
     figure = fig1,
     threshold = 0.9999,
     # output_file = "dog1.pdf",
   )
   fig1.legend(handles=legend_elements, loc='upper left',ncol = 2, bbox_to_anchor=(0.005, 1))                               
   plt.show() # Replace with plt.savefig if you want to save a file

3. 结果展示