Scikit learn 在三维空间中分别绘制从sklearn.decomposition.PCA导出的PCA组件

在我的项目中，我使用三维MRI数据，其中第四维代表不同的对象（我使用这个软件包）。我正在使用

sklearn.decomposition.PCA

从数据中提取给定数量的主成分。现在我想在一张大脑图像上分别绘制这些成分，也就是说，我想用我提取的成分（在本例中为2）以不同的颜色显示一张大脑图像

下面是使用OASIS数据集的示例代码，可通过以下方式下载：

使用nilearn.input_data.NiftiMasker掩蔽，它将我的4维数据转换为2维数组（n_主题x n_体素）

使用

StandardScaler标准化数据矩阵

使用

sklearn.decomposition.PCA运行PCA

：

---

据我所知，运行PCA后获得的是PCA加载量？不幸的是，我不知道如何从这两张图像中获取数据，每个图像包含一个PCA组件。

要将数据恢复为图像格式，您需要执行NiftiMasker.inverse_transform（）。为此，需要在体素空间中保留尺寸

因此，管道现在的工作方式是，在体素空间上使用降维。如果您想减少主题空间中的维度，您可以更改以下内容：

pipe = Pipeline([('niftimasker',niftimasker),
             ('scaler',scaler),
#                  ('pca',pca)
            ])

X = pipe.fit_transform(imgs)
X_reduced = pca.fit_transform(X.T).T

X = pipe.fit_transform(imgs)

components = pca.components_
#In your case 2, but replace range(2) with range(n_components)
most_important = [np.abs(components[i]).argmax() for i in range(2)]

然后，您将应用逆变换，如下所示：

component_image = niftimasker.inverse_transform(X_reduced)

然后，要获得每个单独的主题组件图像，您将使用nilearn.image中的index_图像。例如，这是第一个对象组件的图像：

component1_image = index_img(component_image,0)

component1_image = niftimasker.inverse_transform(comp1)
component2_image = niftimasker.inverse_transform(comp2)

但是，我认为您对减少体素空间上的死亡感兴趣。因此，为了保留逆变换的体素维度，需要获得PCA维度缩减中选择的每个体素特征的索引。保持管道的原始状态，并执行以下操作：

pipe = Pipeline([('niftimasker',niftimasker),
             ('scaler',scaler),
#                  ('pca',pca)
            ])

X = pipe.fit_transform(imgs)
X_reduced = pca.fit_transform(X.T).T

X = pipe.fit_transform(imgs)

components = pca.components_
#In your case 2, but replace range(2) with range(n_components)
most_important = [np.abs(components[i]).argmax() for i in range(2)]

然后用x个对象和y个体素平铺nan阵列：（在您的示例中为30 x 229007）

然后对每个组件应用反向变换：

component1_image = index_img(component_image,0)

component1_image = niftimasker.inverse_transform(comp1)
component2_image = niftimasker.inverse_transform(comp2)

现在，您将有2个图像，每个图像具有30个主题和1个表示所选组件的有效体素值。如何在30个对象上聚合组件体素取决于您，在这种情况下，我将使用nilearn.image中的平均图像函数：

mean_component1_image = mean_img(component1_image)
mean_component2_image = mean_img(component2_image)

最后，在这两种情况下，绘制各自的图像。在体素缩减版本中，您将看到X维（第二张图）中的两幅图像有一点变化，但Y和Z几乎没有变化。我使用的是nilearn的plot_glass_brain。plotting：

plotting.plot_glass_brain(mean_component1_image)
plotting.plot_glass_brain(mean_component2_image)

要使用覆盖，请调整颜色贴图以使其更易于可视化，其他打印选项请参阅本手册和其他nilearn打印指南：

---

如果您还有任何问题，请告诉我。

要将数据恢复为图像格式，您需要执行NiftiMasker.inverse_transform（）。为此，需要在体素空间中保留尺寸

因此，管道现在的工作方式是，在体素空间上使用降维。如果您想减少主题空间中的维度，您可以更改以下内容：

pipe = Pipeline([('niftimasker',niftimasker),
             ('scaler',scaler),
#                  ('pca',pca)
            ])

X = pipe.fit_transform(imgs)
X_reduced = pca.fit_transform(X.T).T

X = pipe.fit_transform(imgs)

components = pca.components_
#In your case 2, but replace range(2) with range(n_components)
most_important = [np.abs(components[i]).argmax() for i in range(2)]

然后，您将应用逆变换，如下所示：

component_image = niftimasker.inverse_transform(X_reduced)

然后，要获得每个单独的主题组件图像，您将使用nilearn.image中的index_图像。例如，这是第一个对象组件的图像：

component1_image = index_img(component_image,0)

component1_image = niftimasker.inverse_transform(comp1)
component2_image = niftimasker.inverse_transform(comp2)

但是，我认为您对减少体素空间上的死亡感兴趣。因此，为了保留逆变换的体素维度，需要获得PCA维度缩减中选择的每个体素特征的索引。保持管道的原始状态，并执行以下操作：

pipe = Pipeline([('niftimasker',niftimasker),
             ('scaler',scaler),
#                  ('pca',pca)
            ])

X = pipe.fit_transform(imgs)
X_reduced = pca.fit_transform(X.T).T

X = pipe.fit_transform(imgs)

components = pca.components_
#In your case 2, but replace range(2) with range(n_components)
most_important = [np.abs(components[i]).argmax() for i in range(2)]

然后用x个对象和y个体素平铺nan阵列：（在您的示例中为30 x 229007）

然后对每个组件应用反向变换：

component1_image = index_img(component_image,0)

component1_image = niftimasker.inverse_transform(comp1)
component2_image = niftimasker.inverse_transform(comp2)

现在，您将有2个图像，每个图像具有30个主题和1个表示所选组件的有效体素值。如何在30个对象上聚合组件体素取决于您，在这种情况下，我将使用nilearn.image中的平均图像函数：

mean_component1_image = mean_img(component1_image)
mean_component2_image = mean_img(component2_image)

最后，在这两种情况下，绘制各自的图像。在体素缩减版本中，您将看到X维（第二张图）中的两幅图像有一点变化，但Y和Z几乎没有变化。我使用的是nilearn的plot_glass_brain。plotting：

plotting.plot_glass_brain(mean_component1_image)
plotting.plot_glass_brain(mean_component2_image)

要使用覆盖，请调整颜色贴图以使其更易于可视化，其他打印选项请参阅本手册和其他nilearn打印指南：

---

如果您还有任何问题，请告诉我。

谢谢您的回答。关于你的第一个问题：是的，我想在体素空间中绘制组件，所以我想在主体上运行PCA，而不是针对每个主体。我试图遵循你的代码，但我不确定结果图像显示了什么？当你创造最重要的东西时，会发生什么？对不起，这方面我是个新手。我在期待一个像nilearn.decomposition.CanICA那样的大脑图：PCA和CanICA非常不同。请在此处查看CANICA的描述：。CANICA在执行ICA之前识别组可再现数据子空间。换句话说，在空间上对体素进行分组。PCA只是假设每个体素是独立的，并将每个体素视为一个特征。这将导致200000多个组件中每个组件显示1个体素，而之前的每个组件中很可能显示更多的体素。由于结果没有意义，您能解释一下为什么选择PCA进行降维吗？谢谢您的回答。关于你的第一个问题：是的，我想在体素空间中绘制组件，所以我想在主体上运行PCA，而不是针对每个主体。我试图遵循你的代码，但我不确定结果图像显示了什么？当您创建最重要的