1. Python for (f)MRI analysis

1.1 What is “nifti”

• nifti 파일(.nii or .nii.gz)은 뉴로이미징 패키지의 새로운 표준 버전임

• fMRI 데이터 전처리의 첫번째 단계
• 스캐너 전용 파일(DCM/PAR/REC)를 nifti 파일로 변환(dcm2niix 패키지 활용)

• + afni_proc.py에서 편하게 preprocessing을 할 수 있음

• 아래의 예시는 .nii files를 불러오는 코드임

import nibabel as nib

mri_file = 'anat.nii.gz'
img = nib.load(mri_file)

print(type(img))
>>> <class 'nibabel.nifti1.Nifti1Image'>

print(img.shape)
>>> (240, 240, 220) # x, y 축에 240개, z 축에 220개의 voxel 데이터 존재

1.2 The three parts of nifti images

1.2.1 The header with metadata

• 헤더는 메타데이터를 가지고 있음
• 메타데이터: 데이터에 관한 구조화된 데이터(ex. 실험 단위, 복셀 사이즈 등)

# 위에서 이미지로 변환한 데이터의 헤더를 불러옴
hdr = img.header

hdr.get_zooms()
>>> (1.0, 1.0, 1.0) # 1x1x1mm MRI 파일임

# get_xyzt_units(): x, y, z(spatial), t(time) 차원 단위 정보
hdr.get_xyzt_units()
>>> ('mm', 'sec')

1.2.2 The image data

• MRI 스캔 파일(사진, 영상)은 3D/4D-array로 저장되어 있음
• 신호의 절대수치보다 주변과의 상대적 비교 수치가 더 중요함

img_data = img.get_fdata()

print(type(img_data))
>>> <class 'numpy.ndarray'> # 이미지 데이터는 numpy array로 구성됨

print(img_data.shape)
>>> (240, 240, 220)

• 예시

# 특정 축을 기준으로 데이터를 슬라이싱
mid_slice_x = img_data[119, :, :] # 첫번째 복셀 축(x)의 120번째 데이터
plt.imshow(mid_slice_x.T, cmap='gray', origin='lower') # Transpose해서 시각화하기

# 특정 영역을 기준으로 모든 시간을 슬라이싱
mid_vox_ts = f_img_data[39, 39, 21, :]  # (x, y, z)=(40, 40, 22)번째 복셀의 모든 시간에서의 데이터
plt.plot(mid_vox_ts, 'o-', ms=4) # 특정 영역을 기준으로 시간 순으로의 신호 강도

 

 

 

1.2.3 The affine

fig, ax = plt.subplots(ncols=3, figsize=(15, 5))

ax[0].imshow(img_data[69, :, :].T, origin='lower', cmap='gray')
ax[1].imshow(img_data[:, 99, :].T, origin='lower', cmap='gray')
ax[2].imshow(img_data[:, :, 99].T, origin='lower', cmap='gray')

fig.tight_layout()

• 위의 첫 번째 사진을 분석할 때, 뇌의 왼쪽을 보고 있는지 오른쪽을 보고 있는지 설명할 수 없음

• 이를 해결하기 위해서 affine matrix를 활용함

• 여기서 각자의 좌표는(x, y, z) 각자의 차원에서 몇번째 차례(인덱스, i, j, k)임

• 참고로 image data는 첫 번째 축은 left to right, 두 번째 축은 posterior to anterior, 세 번째 축은 inferior to superior으로 데이터가 순서대로 구성되어 있음

• affine matrix를 통해 정가운데(isocenter)를 중심으로 RAS+(Right, Anterior, Superior)의 부호로 위치를 파악할 수 있음

np.set_printoptions(suppress=True, precision=3) # 3째자리에서 반올림
A = img.affine

print(A)
>>>
[[  -0.999   -0.035   -0.006  122.245]
 [  -0.035    0.997    0.066 -117.457]
 [  -0.004   -0.066    0.998  -51.112]
 [   0.       0.       0.       1.   ]]

xyz1 = A @ np.array([69, 119, 109, 1])
print(xyz1)
>>> [48.472  5.972 49.516  1.   ]

• x의 좌표는 48.472로, 실제로 중심으로부터 오른쪽으로 48.472mm 만큼 거리가 떨어져 있음