ConnectomeMatch

Python实现，用于人口中的预处理和基于不精确图匹配的显著性检验。

这是一个基于Osmanlıoğlu等人（2019年）中使用的技术构建的Python实现。

它还允许对更消耗资源的进程（密度匹配和排列检验）进行多线程。

用法

首先安装软件包。

pip install ConnectomeMatch

然后导入

import ConnectomeMatch as cm

预处理

密度匹配

有时我们需要匹配具有不同密度的图组。例如，稀疏DTI-MRI连接组与全连接MEG连接组。

给定两组N个图（形状=N x 节点 x 节点），我们将样本矩阵的阈值设置为与目标矩阵匹配

sample_matrix = cm.match_density(sample_matrix, target_matrix, 0.2, 0.01,100)

匹配

一个函数在组级别执行匹配。它对每个图对进行归一化，并允许内置的多线程。

 diagonal_matches, binary_matrices, euclidean_distances = cm.match_graphs(sample_matrix, target_matrix, njobs=4, log=True) 

该函数返回每个图对角线上的匹配项，每个参与者的二进制矩阵以及每个图节点之间的欧几里得距离。

推理

排列函数为样本生成二进制匹配的零分布。这可以与上面的二进制匹配矩阵的平均匹配精度进行比较。

import numpy as np
null = cm.generate_null_dist(sample_matrix, target_matrix,perms=100, njobs=4) # get null distribution
montecarlo_thresh = np.percentile(null, 0.95, axis=2) # get threshold values for matching matrix
significance_mask = binary_matrices.mean(axis=0) > montecarlo_thresh # mask for all significant values