李磊 郝磊 蔣林華

摘? 要： 在完成了兒童功能性腦圖譜的構建后，需要考慮的問題就是如何將它直觀地呈現出來。目前，已經有適用于打開和呈現NIFTI圖像文件的Python模塊或是MATLAB工具包。但是，他們對于不熟悉腳本操作和編程的研究者來說不是很方便，需要經過專門的學習才能運用自如。我們考慮開發(fā)一個基于Python的工具箱來適配兒童功能性腦圖譜的呈現和后續(xù)的分析，用戶可以直接在GUI界面上進行點擊即可完成自己的研究操作，避免直接與腳本進行交互，方便了沒有編程基礎的用戶的使用。

關鍵詞： 腦圖譜;Python;工具箱;設計

中圖分類號： TP311.52 ???文獻標識碼： A??? DOI：10.3969/j.issn.1003-6970.2020.07.036

本文著錄格式：李磊，郝磊，蔣林華. 基于Python的兒童腦圖譜工具箱的設計與實現[J]. 軟件，2020，41（07）：179-184+215

Design and Implementation of Childrens Brain Atlases Based on Python

LI Lei¹， HAO Lei²， JIANG Lin-Hua^1*

（1. School of Optical-Electrical and Computer Engineering， University of Shanghai for Science and Technology， Shanghai 200093， China;2. IDG/McGovern Institute for Brain Research， Beijing Normal University， Beijing 100875， China）

【Abstract】： After childrens developmental brain functional atlases have been completed， a problem has been rose that how to display it intuitively. At present， there are Python modules or MATLAB toolkits for loading and displaying NIFTI image files. However， they are very inconvenient for researchers who are not familiar with script operation or programming. They need to take a long time to learn for operating those scripts expertly. So， a toolbox to adapt to the presentation and subsequent analysis of childrens developmental brain functional atlases based on Python was designed and developed. Users can click button directly on the GUI interface to complete their own research operations and avoid direct interaction with scripts. This toolbox facilitates the use of users without programming basis.

【Key words】： Brain atlases; Python; Toolbox; Design

0 ?引言

在科技飛速發(fā)展的今天，各種先進的高科技儀器被應用于科研中，成為了科學家和研究員的有利幫手。核磁共振儀就是腦科學領域的一個不可或缺的研究工具，人腦磁共振成像（MRI）目前已經廣泛的運用到了腦發(fā)育的基礎研究^[1-4]，并逐漸地被用于探究兒童和青少年大腦發(fā)育過程與自身行為之間的關系^[5-7]，有望能夠為各種腦功能發(fā)育狀態(tài)提供輔助診斷和參考對象。

目前，已經出版過許多基于結構化核磁共振成像的腦圖譜集，作為兒童群體^[8-11]的重要參考。例如，北京師范大學的賀勇課題組在2019年發(fā)表了一篇論文^[12]，他們基于328名認知正常的中國兒童（6至12歲）的高質量磁共振腦影像數據，采用嚴格規(guī)范的圖像處理與質量控制流程，通過無偏迭代的模板圖譜生成算法，構建了中國兒童標準腦結構圖譜集（CHN-PD）。然而，現行的兒童大腦圖譜大多是基于無任務的或者結構的，不能作為判斷兒童在特定的認知過程是否處于正常發(fā)育發(fā)展范圍的參考。據我們所知，全世界還缺乏兒童認知發(fā)育的年齡和認知功能腦圖譜。

在之前的研究中，我們已經使用了3T Siemens Prisma掃描儀收集了548名7至12歲的兒童的高質量T1加權結構和事件相關的功能磁共振成像（fMRI）數據，并且使用了最新的預處理工具包fMRIPrep^[13]對fMRI數據進行預處理。然后針對不同年齡組和認知任務組合構建了通用線性模型，這些神經發(fā)育功能性腦圖譜提供了兒童大腦發(fā)育期下的平均神經激活強度、分布和模式。在本文中，著重闡述了基于特定年齡和任務的兒童認知發(fā)育功能性腦圖譜對應的功能性腦發(fā)育圖譜工具箱（Developmental Brain Functional Atlas，DBFA）的開發(fā)流程。該工具箱分別提供了年齡特異性和認知特異性（以及僅用于情緒處理的性別特異性）圖譜的下載。使用者可以選擇使用未矯正、false discovery rate（FDR）和familywise error（FWE）矯正等方式來輸入閾值，以進行不同p值和最小激活體素數之間的多重比較。

1 ?工具箱設計

考慮到目前腦科學領域大多數的研究工具或者腳本都是基于Python或Matlab的，大部分心理學專業(yè)的研究生和研究者們需要經過專門的編程訓練才能理解代碼的含義，從而能根據自己的研究目的和需要去編寫或者改寫腳本，才能運行出分析的數據結果來進行后面的研究。該工具箱的設計不僅僅只是作為兒童功能性腦發(fā)育圖譜的一個可視化工具，它還是一款可以為研究者們提供fMRI數據分析的工具。所以，DBFA工具箱要避免讓源代碼或者腳本文件直接和用戶進行交互，我們提供了像商業(yè)工具一般的可視化界面，所有的操作只需要用鼠標點擊即可完成，方便對計算機腳本不熟悉的用戶使用，可以加快在研究過程中在數據處理方面的時間損耗。

我們采用Python語言作為編寫語言，這樣能夠較好地與主流的心理學腦科學領域使用的腳本函數進行對接;使用PyQt5+Eric6來設計GUI并且嵌入相應功能的槽函數;最后使用cx-Freeze作為打包工具來生成最后的可執(zhí)行程序。

DBFA工具箱是作為兒童功能性腦發(fā)育圖譜的可視化工具而開發(fā)的，但是它不應只具有可視化這么一個功能，這樣開發(fā)成本太高而可使用性又太低。我們考慮，DBFA工具箱應該具有能夠可視化.nii（標準NIFTI圖像的擴展名是.nii，包含了頭文件及圖像資料）的文件功能，它不僅僅只用于開發(fā)的腦圖譜的文件，用戶自己的.nii文件也可以使用該工具箱來打開并且可視化。用戶有兩種方式可以打開nii圖譜文件，一種通過打開菜單在電腦磁盤中選擇要處理的文件;另一種是根據工具箱提供的篩選功能，選擇年齡，認知任務和狀態(tài)來篩選出對應的nii文件來打開。打開后，對應的nii文件的可視化腦圖將會顯示在主界面上，用戶可以根據自己的需求來直接將圖片保存下來，或者是使用FDR、FPR、FWE矯正得到更加嚴格的腦圖譜后再保存。同時也可以設置Voxels的數目來決定激活腦區(qū)的最小大小;設置Cut_coords的坐標來獲得不同位置的腦切片圖譜。完成后，用戶可以將該處理完的腦圖譜存儲為一個新的nii文件，今后可以隨時進行查看和再操作。DBFA工具箱的系統(tǒng)功能流程圖如圖1所示。

2 ?核心部分

2.1 ?GUI設計

Qt庫是目前最強大的庫之一^[14-15]。PyQt是一個創(chuàng)建GUI應用程序的工具包。它是Python編程語言和Qt庫的成功融合。因此，我們采用PyQt5來創(chuàng)建GUI界面。導入QtCore， QtGui， QtWidgets三個模塊，工具箱所需要的菜單欄、顯示框、文本框、下拉框、按鈕和控件等都可以從中直接生成實例化對象，減少在GUI上的耗費時間。同時，PyQt提供的信號與槽機制實現了界面與業(yè)務邏輯的分離，將重點放在槽函數的編寫上。

2.2 ?關鍵函數實現

雖然nibabel模塊中的load函數和nibabel.viewers模塊中的OrthoSlicer3D函數可以打開NIFTI圖像文件并且呈現出3D圖像來，但是這樣呈現出來的圖像未經過任何處理，也不利于觀察，所以不能直接套用現有的模塊和函數。我們考慮，將NIFTI文件打開、FDR、FPR、FWE矯正功能編寫到一個函數中。定義函數如下：

def ThresholdMap （StatMap = Fname， Alpha = alpha， Height_control = height_control， Cluster_ threshold = cluster_threshold）：

其中，StatMap接收使用nibable打開的NIFTI文件的文件名，Alpha接收用戶輸入的數值（0≤alpha≤1），Height_control接收矯正方式的形式，Cluster_threshold接收Voxels的數值大小。重點代碼如下：

if? height_control == 'fpr'：?????? threshold = norm.isf（alpha）

…

if? height_control == 'fdr'：?????? threshold = fdr_threshold（stats， alpha）??? elif height_control == 'fwe'：?????? threshold = norm.isf（alpha / n_voxels）?????? stats*= （stats > threshold）

_StatMap = masker.inverse_transform（stats）.get_data（）LabelMap，nLabels = label（_StatMap > threshold）labels =LabelMap[masker.mask_img_.get_data（） > 0]for label in range（1，，nLabels + 1）：??? if? np.sum（labels == label） < cluster_threshold：??????? stats[labels == label] = 0

return masker.inverse_transform（stats）， threshold

在完成了文件的讀取和數據矯正后，需要將矯正后的文件進行可視化。用于可視化的函數需要接收前面矯正后的文件和閾值，并且，我們考慮加入水平面、矢狀面、冠狀面的位置輸入來滿足用戶對于大腦各個腦區(qū)的研究。定義函數如下：

def PlotStatMap （Threshold_map = threshold_map， Threshold = threshold， Cut_coords = cut_coords）：

其中，Threshold_map和Threshold接收ThresholdMap函數返回的矯正后的數據，Cut_coords接收一個三元組（X，Y，X）來確定切面的坐標，也可以不選擇輸入，該函數返回默認位置的切面坐標。重點代碼如下：

threshold_map = _utils.check_niimg_3d（threshold_map， dtype='auto'）

display = display_factory（display_mode）（???? img，???? threshold = threshold，???? cut_coords = cut_coords，???? figure = figure，

axes = axes，???? black_bg = black_bg，???? colorbar = colorbar，???? brain_color = brain_color，??? ）

return display

調用plt.show（ ）即可呈現出對應文件矯正后繪制出的圖像。

3 ?工具箱實現

如圖2所示是運行后的工具箱初始界面。通用的文件打開方式可以點擊菜單欄的File選項開里的Open來選擇磁盤里的nii文件，如果需要查看我們發(fā)布的兒童發(fā)育腦圖譜可以通過右邊的篩選模塊來打開。用戶可以根據自己的研究所需，來選擇是基于年齡相關的腦圖還是基于任務相關的腦圖，如果是年齡相關的，那么在Age選項里可以選擇7～12中一個具體的年齡，如果是任務相關的，Age選項變?yōu)椴豢捎?，腦圖譜默認年齡為全年齡段。然后，在四種任務中，用戶必須要選擇一個任務，再選擇一種狀態(tài)。四個任務都來自于心理學經典實驗任務，注意網絡測驗（ANT）、氣球模擬危險性測驗（BART）、情緒匹配（EM）、數字N-back（NB）。全部選擇完成后，會讀取出匹配與選擇的腦圖譜文件并顯示在Display區(qū)域中。讀取后，篩選區(qū)域會被禁止使用，用戶可以再根據自己的需求，可以選擇點擊Save Picture按鈕來保存當前的顯示的圖像，圖像將保存在工具箱所在目錄的Result文件夾下。用戶可以在FDR、FPR、FWE三種不同的矯正方式中選擇一項輸入閾值來獲取不同嚴格程度下的新圖譜。Voxels的數值可以選擇也可以不選擇，輸入的數值會決定激活腦區(qū)域內相連的最小體素數。Cut_coords的三個坐標會改變圖像所呈現的三個切片位置，方便用戶查看該情形下的任意腦區(qū)情況。每次改變設置的參數點擊Show即可顯示新的圖像。最后，用戶可以輸入文件名來將重新設置閾值后的腦圖譜保存為一個新的nii文件，新的文件將保存在工具箱的目錄底下。

以BART任務中的Pump狀態(tài)為例，選擇年齡為9歲的通用性別腦圖譜，點擊Load按鈕后得到的該圖譜原始圖像呈現在Display窗口中，如圖3所示。

分別在FDR、FPR、FWE的輸入框中輸入0.005這個閾值，取相同的Voxels數值50，得到根據閾值矯正后的腦圖譜分別如圖4（a）（b）（c）所示。在同一個圖譜的基礎上，把相連的最小腦激活體素設為相同，可以發(fā)現，相同的閾值下三種不同矯正方式對應的腦激活區(qū)域基本沒有變化，激活的區(qū)域大小不同，FPR矯正程度相對來說弱一點，FWE則最為嚴格。

對比圖4（b）和圖4（d）可以看出，在同一圖譜下，使用相同的矯正方式和Voxels值，輸入不同的閾值，得到矯正后的圖譜在激活腦區(qū)上沒有顯著的差異，只有激活范圍有部分差異。與0.01閾值相比，在0.005

閾值下，激活范圍有了減小，部分激活完全消失，說明閾值越小矯正程度越嚴格，可以排除局部激活對后續(xù)研究中的影響。

用戶在完成矯正后，可以選擇輸入X，Y，Z的值來查看水平面、矢狀面、冠狀面的三維切片圖像，以滿足不同用戶的研究需求，對照圖如圖4（e）和圖4（f）所示。

4 ?結論

在本研究中，我們采集了中國7至12歲兒童的高質量fMRI數據，建立了一套適用于不同認知領

域基于特定年齡、認知神經及認知發(fā)育功能腦圖譜，觀察到兒童在不同的認知過程中廣泛存在的特異性的全腦激活。同時，我們在神經成像信息學工具和資源信息中心（NITRC）網站（http：//www.nitrc.org/ projects/dbfa）上發(fā)布了DBFA工具箱，用來量化、可視化和下載不同特定認知過程的腦圖譜。研究者們也可以用這個工具箱來處理自己fMRI數據，或者根據我們發(fā)布的腦圖譜，根據自己研究中的需要，來重新進行閾值的設置和全腦中激活腦區(qū)位置的觀察。

這個公開的腦圖譜來源于一個正常、特征良好的人群，有助于開放性問題和圖像數據分析，以便研究者們能更好地了解兒童人群。使用這樣一個大樣本使得這些圖譜具有可重復性、健壯性，可作為今后兒科研究中正常發(fā)育大腦和患病大腦的參考。

參考文獻

1. Baum， G. L. et al. Modular Segregation of Structural Brain Networks Supports the Development of Executive Function in Youth. Curr. Biol. 27， 2017， 1561-1572. e8.
2. Foulkes， L. & Blakemore， S. -J. Studying individual differences in human adolescent brain development. Nat. Neurosci. 21， 2018， 315-323.
3. Dobbing， J. & Sands， J. Quantitative growth and development of human brain. Arch. Dis. Child. 48， 1973， 757-767.
4. Qin， S.， Young， C. B.， Supekar， K.， Uddin， L. Q. & Menon， V. Immature integration and segregation of emotion-related brain circuitry in young children. Proc. Natl. Acad. Sci. 109， 2012， 7941-7946.

1. Crone， E. A. & Elzinga， B. M. Changing brains： how longitudinal functional magnetic resonance imaging studies can inform us about cognitive and social-affective growth trajectories. Wiley Interdiscip. Rev. Cogn. Sci. 6， 2015， 53-63.
2. Keresztes， A. et al. Hippocampal maturity promotes memory distinctiveness in childhood and adolescence. Proc. Natl. Acad. Sci. 114， 2017， 9212-9217.
3. Qin， S. et al. Hippocampal-neocortical functional reorganization underlies childrens cognitive development. Nat. Neurosci. 17， 2014， 1263-1269.
4. Xie， W. et al. The construction of MRI brain/head templates for Chinese children from 7 to 16 years of age. Dev. Cogn. Neurosci. 15， 2015， 94-105.
5. Fonov， V. et al. Unbiased average age-appropriate atlases for pediatric studies. Neuroimage 54， 2011， 313-327.
6. Sanchez， C. E.， Richards， J. E. & Almli， C. R. Age-Specific MRI Templates for Pediatric Neuroimaging. Dev. Neuropsychol. 37， 2012， 379–399.
7. Richards， J. E.， Sanchez， C.， Phillips-Meek， M. & Xie， W. A database of age-appropriate average MRI templates. Neuroimage 124， 2016， 1254-1259.
8. Zhao， T. et al. Unbiased age-specific structural brain atlases for Chinese pediatric population. Neuroimage 189， 2019， 55-70.
9. Esteban， O. et al. fMRIPrep： a robust preprocessing pipeline for functional MRI. Nat. Methods 16， 2019， 111.
10. 鄧子強， 王玉玫. 基于Qt繪圖系統(tǒng)的圖形應用優(yōu)化研究與實現[J]. 軟件， 2016， 37（12）： 59-62.
11. 蘭林濤， 桂彥， 鄭鎮(zhèn)潮， 等. 基于Qt開源框架的跨平臺圖像修復系統(tǒng)設計與實現[J]. 軟件， 2016， 37（8）： 47-50.