Nipype Showcase

使用简单的fMRI预处理流程来展示Workflow：

slice time correction
motion correction
smoothing

准备预处理workflow

首先导入Nipype包中的Node和Workflow

from nipype import Node, Workflow

接着导入预处理需要的interfaces

from nipype.interfaces.fsl import SliceTimer, MCFLIRT, Smooth

接着把这三个接口接入Node并且定义输入

# 初始化slicetime节点
slicetimer = Node(SliceTimer(index_dir=False,
                            interleaved=True,
                            time_repetition=2.5),
                  name="slicetimer")

# 初始化运动矫正节点
mcflirt = Node(MCFLIRT(mean_vol=True,
                      save_plots=True),
              name="mcflirt")
# 初始化光滑节点
smooth = Node(Smooth(fwhm=4), name="smooth")

接下来就可以创建一个workflow，把这三个节点连接起来

# 创建预处理workflow
preproc01 = Workflow(name='preproc01', base_dir='.')

# 连接节点到workflow中
preproc01.connect([(slicetimer, mcflirt, [('slice_time_corrected_file', 'in_file')]),
               (mcflirt, smooth, [('out_file', 'in_file')])])

可以把workflow可视化

# 生成可视化图片
preproc01.write_graph(graph2use='orig')

# 导入Ipython的图像包
from IPython.display import Image
Image(filename="preproc01/graph_detailed.png")

结果

在一个功能图像上运行workflow

创建过一个workflow后，开始在功能像上运行。首先要确定数据文件的路径。

slicetimer.inputs.in_file = '/data/ds000114/sub-01/ses-test/func/sub-01_ses-test_task-fingerfootlips_bold.nii.gz'

data文件夹下有所需要的数据。

使用Nipype的并行处理功能，观察处理时间

%time preproc01.run('MultiProc', plugin_args={'n_procs': 5})

结果

上图输出了整个Workflow的工作流程，最后可以看到整个处理花费大概2min。

结果

检查一下输出文件夹有什么。

!tree preproc01 -I '*js|*json|*pklz|_report|*.dot|*html'

修改参数重新运行

smooth.inputs.fwhm = 2
%time preproc01.run('MultiProc', plugin_args={'n_procs': 5})

可看到时间仅用14秒，因为整个workflow不会重新运行一遍，只把更改参数的Node运行，在这里就是把smooth重新运行。

并行处理

preproc1预处理workflow使用了大概两分钟，如果我要处理5张功能像图片，他会花费10分钟。

首先我们复制5个workflow

# First, let's copy/clone 'preproc01'
preproc02 = preproc01.clone('preproc02')
preproc03 = preproc01.clone('preproc03')
preproc04 = preproc01.clone('preproc04')
preproc05 = preproc01.clone('preproc05')

我们想要并行处理，需要把他们整合在一个workflow中。

metaflow = Workflow(name='metaflow', base_dir='.')
# Now we can add the five preproc workflows to the bigger metaflow
metaflow.add_nodes([preproc01, preproc02, preproc03,
                preproc04, preproc05])

可视化看一下整个workflow

# As before, let's write the graph of the workflow
metaflow.write_graph(graph2use='flat')

Image(filename="metaflow/graph_detailed.png")

使用并行处理

%time metaflow.run('MultiProc', plugin_args={'n_procs': 5})

log信息此处省略

可以看到总共用时2min，这就是使用Nipype的原因。

metaflow的结果

!tree metaflow -I '*js|*json|*pklz|_report|*.dot|*html'

参考

nipype官方教程 Nipype Showcase