所有配置均在
config.py文件下定义
- 各个节点均安装docker，并有fmripre的镜像
- 可以使用conda中的base环境（相应的第三份包之后更新）
在config.py中的fMRI_Prep_Job类中配置相应变量,注意在修改cmd时，不能修改{}中的关键字。在执行此步骤时，将自动在bids同级目录下建立processed文件夹，用来存放后处理数据。其中处理后的fmriprep数据存放在processed/frmriprep、prceossed/fressurfer中。
class fMRI_Prep_Job:
# input data path
bids_data_path = "/share/data2/dataset/ds002748/depression"
# 一个容器中处理多少个被试
step = 8
# fmriprep opm thread
thread = 9
# max work contianers
max_work_nums = 10
# 在bids同级目录下创建processed文件夹
bids_output_path = os.path.join("/".join(bids_data_path.split('/')[:-1]),'processed')
if not os.path.exists(bids_output_path):
os.mkdir(bids_output_path)
# fmri work path
fmri_work="/share/fmri_work"
# freesurfer_license
freesurfer_license = "/share/user_data/public/fanq_ocd/license.txt"
# image id fmriprep
image_id = "d7235efbbd3c"
# fmriprep cmd
cmd ="docker run -it --rm -v {bids_data_path}:/data -v {freesurfer_license}:/opt/freesurfer/license.txt -v {bids_output_path}:/out -v {fmri_work}:/work {image_id} /data /out --skip_bids_validation --ignore slicetiming fieldmaps -w /work --omp-nthreads {thread} --fs-no-reconall --resource-monitor participant --participant-label {subject_ids}"这一步的操作主要依赖于fmribrant，主要作用是回归掉白质信号、脑脊液信号、全脑信号、头动信息、并进行滤波（可选），将其处理后的文件放存在prcoessed/post-precoss/<un>fliter/clean_imgs中，<un>可选表示是否进行滤波。该配置中不建议修改dataset_path,store_path
class PostProcess:
"""
fmriprep 后处理数据
"""
# 类型的名字
task_type = "rest"
dataset_path = os.path.join(fMRI_Prep_Job.bids_output_path,'fmriprep')
store_path = os.path.join(fMRI_Prep_Job.bids_output_path,'post-process')
t_r = 2.5
low_pass = 0.08
high_pass = 0.01
n_process = 40
if t_r != None:
store_path = os.path.join(store_path,'filter','clean_imgs')
else:
store_path = os.path.join(store_path,'unfilter','clean_imgs')
os.makedirs(store_path,exist_ok=True)atlas由271个roi组成，分别是Schaefer_200(皮上),Tianye_54(皮下),Buckner_17(小脑)。由于在fmribrant中实现提取时间序列的功能，简单封装一下。
class RoiTs:
"""
ROI 级别时间序列
处理271个全脑roi
"""
n_process = 40
# 如果在第二步fmri post process已经滤波之后，不建议再次使用滤波操作
t_r = None
low_pass = None
high_pass = None
flag_gs = False # 回归全脑均值为 True 否则为False
# 以下内容不建议修改
if flag_gs:
file_name = "*with_gs.nii.gz"
ts_file = "GS"
else:
file_name = "*without_gs.nii.gz"
ts_file = "NO_GS"
reg_path = os.path.join(PostProcess.store_path,"*",PostProcess.task_type,file_name)
subject_id_index = -3
save_path = os.path.join("/".join(PostProcess.store_path.split('/')[:-1]),'timeseries',ts_file)
os.makedirs(save_path,exist_ok=True)这一步是可选的，一般先用来看看FC做性别分类、年龄回归的效果如何。只保留粗略结果，详细结果可以使用baseline这个包。
class ML:
# 选择的subject id 默认是全部
sub_ids = [i.split('.')[0] for i in os.listdir(RoiTs.save_path)]
# 量表位置
csv = pd.read_csv('/share/data2/dataset/ds002748/depression/participants.tsv',sep='\t')
#取交集
csv = pd.DataFrame({"participant_id":sub_ids}).merge(csv)
# 分类的任务
classifies = ["gender"]
# 回归的任务
regressions = ["age"]
# 分类模型
classify_models = [SVC(),SVC(C=100),SVC(kernel='linear'),SVC(kernel='linear',C=100)]
# 回归模型
regress_models = [SVR(),SVR(C=100),SVR(kernel='linear'),SVR(kernel='linear',C=100)]
kfold = 3
# 多少个roi
rois = 200修改script/run.py ，
from fmriprep_job import run_fmri_prep
from fmriprep_pprocess import run as pp_run
from roi2ts import run as roi_ts_run
from fast_fc_ml import run as ml_run
if __name__ =='__main__':
run_fmri_prep() # fmriprep
pp_run() # fmriprep post process
roi_ts_run() # get roi time series
ml_run() # machine learning然后执行
python run.py
- 质量控制