1. 项目概述为什么我们需要一个可视化工具来“看”大脑如果你刚刚接触神经影像学或者正在处理一批功能磁共振成像fMRI或结构磁共振成像sMRI数据你可能会遇到一个共同的困惑我手里这些复杂的统计图、激活簇坐标、脑网络连接矩阵它们到底在我的大脑里对应着哪个位置一个坐标点比如 MNI 坐标 [3, -21, 18]在三维空间里究竟意味着什么这时候一个直观、强大的可视化工具就成了连接抽象数据和具象理解的桥梁。BrainNet Viewer 正是为此而生。BrainNet Viewer 是一款基于 MATLAB 平台的开源软件包专门用于绘制人脑的三维网络连接图以及脑区激活图。它的核心价值在于能够将枯燥的坐标数字、连接矩阵转化为色彩斑斓、可以360度旋转观察的三维大脑图像。这对于研究者验证结果、在论文中展示关键发现或者向非专业人士解释你的研究都至关重要。想象一下在论文中放上一张清晰展示你发现的特定脑区激活及其连接模式的图片远比罗列一串坐标和 p 值更有说服力。这个工具特别适合神经科学、心理学、医学影像等领域的研究生、科研人员以及任何需要处理脑影像数据的朋友。即使你的 MATLAB 基础并不深厚通过一些简单的步骤也能快速上手制作出符合发表要求的专业级图片。接下来我将以一个从业者的角度带你从零开始拆解 BrainNet Viewer 的核心功能、详细操作步骤以及那些官方手册里不会写的“踩坑”经验。2. 核心功能与设计思路拆解BrainNet Viewer 的设计哲学非常明确输入尽可能简单的数据坐标、连接矩阵输出尽可能美观且信息丰富的三维可视化结果。它的强大之处在于其模块化和可定制性。整个工具可以看作由几个核心模块拼接而成理解了这个架构使用起来就会得心应手。2.1 三大核心模块解析脑表面模型这是可视化的“画布”。BrainNet Viewer 内置了标准的 MNI 空间大脑模板如BrainMesh_ICBM152.nv这是一个包含了数万个顶点和面片的三角网格模型构成了我们看到的那个光滑的、灰白色的大脑皮层表面。你也可以加载自己的表面模型文件如通过 FreeSurfer 重建的个体大脑表面。节点代表你感兴趣的脑区或激活点。通常节点信息存储在一个.node文件里。这个文件至少包含每个节点的三维坐标X, Y, Z还可以包含节点的大小、颜色、标签等信息。例如你从一个 fMRI 组分析中得到了一簇显著的激活坐标就可以把这些坐标整理成.node文件。边代表节点之间的连接。连接信息存储在一个.edge文件里本质上是一个 N×N 的矩阵N 为节点数量矩阵中的每个数值代表对应两个节点之间连接的强度或权重。这个矩阵可以来自功能连接分析如皮尔逊相关、结构连接分析如纤维追踪的流线数量或有效连接分析等。BrainNet Viewer 的工作流程就是将“画布”表面、“点”节点和“线”边这三者组合起来并根据你的设置进行渲染。这种设计使得它非常灵活你可以只画表面和节点展示激活图也可以三者全画展示网络连接图。2.2 为什么选择 BrainNet Viewer 而非其他工具在脑影像可视化领域不乏其他优秀工具如 MRICron、Connectome Workbench、甚至专业的 3D 渲染软件 Blender。BrainNet Viewer 的独特优势在于“一站式”与轻量化它无需复杂的管线配置一个 MATLAB 脚本就能调用所有功能。对于快速查看和生成用于发表的静态图片效率极高。与 MATLAB 生态无缝集成你的数据处理如 SPM、DPARSF、GRETNA 等工具包很可能就在 MATLAB 环境中完成直接将生成的数据坐标、矩阵喂给 BrainNet Viewer避免了数据格式转换的麻烦。出色的出版级图形输出它可以直接生成高分辨率如 600 dpi的.tiff或.png文件并且图中的所有元素颜色、粗细、视角都可以通过代码精确控制满足顶级期刊严格的图表要求。社区与可扩展性作为开源工具它拥有活跃的社区用户贡献了许多扩展插件和实用脚本可以实现更复杂的效果如绘制脑切片、显示玻璃脑等。当然它也有局限比如其三维交互性能不如一些专门的 3D 软件对于极其复杂的大规模网络动态可视化可能力有不逮。但对于绝大多数静态脑网络和激活模式展示需求它无疑是平衡了易用性、美观度和控制精度的最佳选择之一。3. 环境准备与数据格式化在兴奋地开始画图之前我们必须把“原料”准备好。这里的环境准备不仅仅是安装软件更重要的是将你的数据整理成 BrainNet Viewer 能“吃”的格式。很多新手在这里栽跟头生成奇怪的图或者直接报错八成是数据格式不对。3.1 软件安装与路径设置首先你需要一个正常运行的 MATLAB 环境R2014b 及以上版本推荐。然后从 BrainNet Viewer 的官方发布页面如 GitHub 或 NITRC下载最新版本的压缩包。解压后你会得到一个名为BrainNetViewer的文件夹。注意绝对不要把这个文件夹放在 MATLAB 的默认安装目录或者带有中文或空格的路径下。最好放在一个简单的英文路径中例如D:\MyTools\BrainNetViewer。安装的核心步骤是“添加路径”。打开 MATLAB在“主页”选项卡点击“设置路径”然后选择“添加并包含子文件夹”找到你解压的BrainNetViewer文件夹添加进去。完成后在 MATLAB 命令窗口输入BrainNet并回车如果弹出了软件的主界面恭喜你安装成功。3.2 核心数据文件格式详解这是最关键的一步。我们分别来看.node和.edge文件。.node文件这是一个文本文件通常有 5 列或 6 列每一行代表一个节点。列与列之间用空格或制表符分隔。[X] [Y] [Z] [Color] [Size] [Label]X, Y, Z: 节点的 MNI 坐标或个体空间坐标。这是必需的。Color: 节点的颜色。可以是一个数字BrainNet 会将其映射到颜色条也可以直接使用 RGB 值如1 0 0代表红色。如果不需要着色可以设为 1。Size: 节点的大小。通常用一个正数表示数字越大图中显示的球体就越大。Label: 节点的文本标签。如果不需要可以留空或写 0。例如一个简单的 3 个节点的.node文件内容可能是-45 -63 36 2 5 L_AG 45 -66 33 3 5 R_AG 0 -27 45 1 7 PCC这表示有三个节点分别位于左右角回和 posterior cingulate cortex颜色值不同大小略有差异并带有标签。.edge文件这是一个 N×N 的方阵文本文件同样用空格或制表符分隔。第 i 行第 j 列的值表示第 i 个节点与第 j 个节点之间的连接强度。矩阵通常是对称的无向网络对角线上的值节点与自身的连接通常为 0 或 NaN。0 0.5 0.2 0.5 0 0.8 0.2 0.8 0这个例子表示一个 3 个节点的网络节点1和节点2的连接强度是0.5节点1和节点3是0.2节点2和节点3是0.8。实操心得我强烈建议使用 MATLAB 或 Python如 NumPy来生成这些文件而不是手动在文本编辑器里敲。你可以先定义好坐标矩阵、颜色向量、大小向量和连接矩阵然后用dlmwrite函数MATLAB或numpy.savetxt函数Python写入文本文件。这样可以绝对避免格式错误也便于批量处理多个被试或条件的数据。4. 从零到一绘制你的第一张脑网络图现在让我们用最简单的例子走通整个流程。假设我们有一个包含 5 个脑区节点的小网络我们已经准备好了example.node和example.edge文件。4.1 图形用户界面快速入门对于初学者GUI 是最友好的方式。启动在 MATLAB 命令窗口输入BrainNet打开主界面。加载表面点击 “Surface File” 旁的按钮默认路径下选择Data/SurfTemplate/BrainMesh_ICBM152.nv。这是标准的 ICBM152 模板脑。加载节点点击 “Node File” 旁的按钮选择你准备好的example.node文件。加载边点击 “Edge File” 旁的按钮选择你准备好的example.edge文件。绘制点击右下角的 “Draw” 按钮。稍等片刻一个包含大脑表面、彩色节点和连线的三维图就会出现在新的图形窗口中。你可以用鼠标拖拽旋转大脑滚轮缩放右键平移。简单调整在主界面上你可以进行一些快速设置“Display”可以勾选是否显示节点标签、是否将节点显示为球体。“Option”点击后可以打开详细设置面板这里可以调整节点颜色映射、大小范围、边的颜色和阈值等。一个常用技巧是设置边的阈值。在 “Option” - “Edge” 选项卡中设置一个 “Threshold”。比如设为 0.3那么连接强度低于 0.3 的边就不会被画出来可以让图形更清晰突出强连接。保存图片在生成的图形窗口的菜单栏点击 “File” - “Save as”可以选择保存为.figMATLAB 图形文件可后期编辑或.tiff/.png用于插入论文。保存为图片时务必在“保存”对话框中点击“选项”将分辨率DPI设置为 300 或 600以满足出版要求。4.2 使用脚本进行批量与精细化控制GUI 适合探索和快速出图但当你需要为几十个被试批量生成图片或者需要极其精确地控制每一个视觉元素时脚本才是王道。BrainNet Viewer 的核心是一个名为BrainNet_MapCfg的函数。下面是一个最基本的脚本示例% 1. 定义文件路径 surface_file BrainMesh_ICBM152.nv; node_file example.node; edge_file example.edge; % 2. 定义配置这里先使用默认配置 cfg []; % 3. 调用函数生成图形 BrainNet_MapCfg(surface_file, node_file, edge_file, cfg); % 4. 保存图形 saveas(gcf, my_first_brainnet_figure.png);这个脚本会生成和 GUI 点击 “Draw” 一样的效果。但cfg这个变量才是精髓所在。cfg是一个结构体里面包含了所有可视化参数。你可以通过cfg.Nodecfg.Edgecfg.Global等子结构体来详细设置。如何知道cfg里能设置什么最实用的方法是利用 GUI 生成一个配置文件。在 GUI 中调整好所有你满意的设置颜色、大小、视角、灯光等。在图形窗口的菜单栏点击 “File” - “Save as” - “Config file (*.mat)”保存一个.mat文件。在 MATLAB 中加载这个文件load(your_config.mat)你会发现工作区里有一个cfg变量。在命令窗口输入cfg并回车或者双击工作区里的cfg变量你就可以像查字典一样看到所有可设置的参数及其当前值。例如你想把节点颜色改为红色并设置一个特定的视角cfg.Node.CM [1 0 0]; % 红色 cfg.Global.View [90, 0]; % 视角参数[方位角 仰角] BrainNet_MapCfg(surface_file, node_file, edge_file, cfg);掌握了通过 GUI 导出配置再在脚本中修改的方法你就拥有了无限的可定制能力。你可以写一个循环为每一组数据自动生成图片并统一使用你精心调整好的美学风格。5. 高级技巧与深度定制当你掌握了基础操作后下面这些技巧能让你的图片从“能用”跃升到“精美”。5.1 多视图布局与组合一张图只显示一个视角往往不够。我们可能需要同时展示大脑的左视图、右视图、顶视图和后视图以便读者全方位了解激活或连接模式。BrainNet Viewer 可以轻松实现。cfg []; cfg.Global.View [90,0; -90,0; 0,90; 180,0]; % 四个视角右、左、顶、后 cfg.Global.Position [0,0,800,600]; % 图形窗口大小 BrainNet_MapCfg(surface_file, node_file, edge_file, cfg);运行后你会得到一张包含四个子图的图片。cfg.Global.View的每一行对应一个视角。你可以通过调整cfg.Global.Subplot来改变子图的排列方式。5.2 节点与边的精细化美学控制节点按值着色如果你的.node文件第四列是连续值如 T 值、Z 值你可以通过cfg.Node.CM设置颜色映射。cfg.Node.CM可以是一个 N×3 的矩阵自定义颜色表也可以是一个字符串如jet,hot,cool来调用 MATLAB 内置的颜色表。通过cfg.Node.Size可以调整节点大小的缩放比例。边按权重着色和阈值化连接矩阵的值可以映射到颜色。cfg.Edge.CM控制边的颜色映射。cfg.Edge.Threshold至关重要它可以过滤掉弱连接让图形更清晰。cfg.Edge.Size可以控制边粗细的缩放。添加颜色条对于按值着色的节点或边添加颜色条是必要的。这需要通过 MATLAB 的图形底层命令来实现。在BrainNet_MapCfg生成图形后使用colorbar命令并调整其位置和标签。BrainNet_MapCfg(...); colorbar(Position, [0.85 0.2 0.02 0.6]); % 调整颜色条位置和大小 ylabel(colorbar, T-value); % 给颜色条加标签5.3 玻璃脑与切片视图有时我们需要看大脑内部的激活。BrainNet Viewer 支持“玻璃脑”视图即大脑呈半透明状内部的节点和边得以显现。在 GUI 的 “Option” - “Surface” 选项卡中将 “Alpha” 值调低如 0.3即可实现半透明效果。在脚本中对应cfg.Surf.Alpha 0.3;。更进一步的你可以加载脑切片模板如BrainNetViewer/Data/SurfTemplate/BNI_Atlas_246_1mm.nii并结合节点坐标来展示在特定轴向、冠状位、矢状位切片上的投影。这需要用到BrainNet_MapCfg的扩展功能或社区插件实现起来稍复杂但能提供更临床化的视图。6. 常见问题排查与实战心得在实际使用中你一定会遇到各种奇怪的问题。这里记录了几个最典型的情况和解决方案。6.1 图形显示异常或报错问题图片一片空白只有坐标轴没有大脑。排查首先检查表面文件路径是否正确。确保加载的.nv文件是有效的。其次检查 MATLAB 的当前工作文件夹是否在BrainNetViewer目录下如果不是可能导致相对路径失效。建议在脚本开头使用cd命令切换到 BrainNet Viewer 目录或者使用绝对路径。问题节点没有显示或者显示在奇怪的位置比如大脑外面。排查99% 的原因是.node文件格式错误。检查坐标列是否正确分隔符是否是空格/制表符。特别注意MNI 坐标的顺序是 X左右右为正、Y前后前为正、Z上下上为正。如果你的坐标来自其他软件如 SPM 报告的是 [Y, X, Z]需要进行转换。另外检查坐标单位是否是毫米mm与表面模板是否匹配通常是 MNI152。问题边没有显示或者所有节点都两两相连。排查检查.edge文件。首先确保它是一个方阵行数和列数等于节点数。其次检查矩阵中是否有非数值如 NaN, Inf。最后尝试调整cfg.Edge.Threshold。如果阈值设得太低可能所有边都显示出来导致一团乱麻如果设得太高可能所有边都被过滤了。6.2 图片输出质量不佳问题保存的.png图片分辨率低有锯齿。解决不要用图形窗口的截图工具。一定要用 “File” - “Save as” 的方式保存。在保存对话框中点击“选项”将“分辨率”设置为 300 或 600 DPI并将“渲染器”设置为-opengl或-painters后者对于复杂图形可能更好但慢一些。问题图片背景是灰色的我想改成白色。解决在生成图形后使用 MATLAB 命令设置图形背景色。set(gcf, Color, w); % 将图形窗口背景设为白色 set(gca, Color, w); % 将坐标轴背景设为白色或者在cfg中设置cfg.Global.BackgroundColor [1 1 1]; % RGB白色6.3 性能与效率优化问题当节点数200和边数非常多时图形渲染极慢操作卡顿。解决阈值化这是最重要的步骤。通过cfg.Edge.Threshold过滤掉弱连接只保留 top 5% 或 10% 的强连接能极大减少渲染元素。简化表面BrainNet Viewer 也提供了简化版的表面文件顶点更少渲染更快但细节会丢失。权衡使用。先出小图再调参数在调试脚本和参数时可以先用一个小的子网络比如前20个节点来快速预览效果等所有美学参数调好之后再应用到全网络上生成最终的高清大图。关闭抗锯齿在脚本开头设置cfg.Global.Renderer zbuffer;。这个渲染器比默认的opengl更快但质量稍差适合调试阶段。最后我个人最深的一个体会是可视化是服务于科学故事的。在追求图片美观的同时永远要问自己这张图是否清晰、准确、无歧义地传达了我的核心发现颜色映射是否直观例如用红-黄表示激活增强用蓝-青表示激活减弱节点和边的视觉编码大小、粗细是否与数据的重要性成正比是否有必要的图例和标注花时间打磨一张信息密度高、美学过关的图片对于提升论文的质量和说服力绝对是事半功倍的投资。BrainNet Viewer 就是你手中实现这一目标的得力工具希望这篇教程能帮你更快地驾驭它。
BrainNet Viewer 脑网络可视化：从 MATLAB 入门到科研级图像生成
1. 项目概述为什么我们需要一个可视化工具来“看”大脑如果你刚刚接触神经影像学或者正在处理一批功能磁共振成像fMRI或结构磁共振成像sMRI数据你可能会遇到一个共同的困惑我手里这些复杂的统计图、激活簇坐标、脑网络连接矩阵它们到底在我的大脑里对应着哪个位置一个坐标点比如 MNI 坐标 [3, -21, 18]在三维空间里究竟意味着什么这时候一个直观、强大的可视化工具就成了连接抽象数据和具象理解的桥梁。BrainNet Viewer 正是为此而生。BrainNet Viewer 是一款基于 MATLAB 平台的开源软件包专门用于绘制人脑的三维网络连接图以及脑区激活图。它的核心价值在于能够将枯燥的坐标数字、连接矩阵转化为色彩斑斓、可以360度旋转观察的三维大脑图像。这对于研究者验证结果、在论文中展示关键发现或者向非专业人士解释你的研究都至关重要。想象一下在论文中放上一张清晰展示你发现的特定脑区激活及其连接模式的图片远比罗列一串坐标和 p 值更有说服力。这个工具特别适合神经科学、心理学、医学影像等领域的研究生、科研人员以及任何需要处理脑影像数据的朋友。即使你的 MATLAB 基础并不深厚通过一些简单的步骤也能快速上手制作出符合发表要求的专业级图片。接下来我将以一个从业者的角度带你从零开始拆解 BrainNet Viewer 的核心功能、详细操作步骤以及那些官方手册里不会写的“踩坑”经验。2. 核心功能与设计思路拆解BrainNet Viewer 的设计哲学非常明确输入尽可能简单的数据坐标、连接矩阵输出尽可能美观且信息丰富的三维可视化结果。它的强大之处在于其模块化和可定制性。整个工具可以看作由几个核心模块拼接而成理解了这个架构使用起来就会得心应手。2.1 三大核心模块解析脑表面模型这是可视化的“画布”。BrainNet Viewer 内置了标准的 MNI 空间大脑模板如BrainMesh_ICBM152.nv这是一个包含了数万个顶点和面片的三角网格模型构成了我们看到的那个光滑的、灰白色的大脑皮层表面。你也可以加载自己的表面模型文件如通过 FreeSurfer 重建的个体大脑表面。节点代表你感兴趣的脑区或激活点。通常节点信息存储在一个.node文件里。这个文件至少包含每个节点的三维坐标X, Y, Z还可以包含节点的大小、颜色、标签等信息。例如你从一个 fMRI 组分析中得到了一簇显著的激活坐标就可以把这些坐标整理成.node文件。边代表节点之间的连接。连接信息存储在一个.edge文件里本质上是一个 N×N 的矩阵N 为节点数量矩阵中的每个数值代表对应两个节点之间连接的强度或权重。这个矩阵可以来自功能连接分析如皮尔逊相关、结构连接分析如纤维追踪的流线数量或有效连接分析等。BrainNet Viewer 的工作流程就是将“画布”表面、“点”节点和“线”边这三者组合起来并根据你的设置进行渲染。这种设计使得它非常灵活你可以只画表面和节点展示激活图也可以三者全画展示网络连接图。2.2 为什么选择 BrainNet Viewer 而非其他工具在脑影像可视化领域不乏其他优秀工具如 MRICron、Connectome Workbench、甚至专业的 3D 渲染软件 Blender。BrainNet Viewer 的独特优势在于“一站式”与轻量化它无需复杂的管线配置一个 MATLAB 脚本就能调用所有功能。对于快速查看和生成用于发表的静态图片效率极高。与 MATLAB 生态无缝集成你的数据处理如 SPM、DPARSF、GRETNA 等工具包很可能就在 MATLAB 环境中完成直接将生成的数据坐标、矩阵喂给 BrainNet Viewer避免了数据格式转换的麻烦。出色的出版级图形输出它可以直接生成高分辨率如 600 dpi的.tiff或.png文件并且图中的所有元素颜色、粗细、视角都可以通过代码精确控制满足顶级期刊严格的图表要求。社区与可扩展性作为开源工具它拥有活跃的社区用户贡献了许多扩展插件和实用脚本可以实现更复杂的效果如绘制脑切片、显示玻璃脑等。当然它也有局限比如其三维交互性能不如一些专门的 3D 软件对于极其复杂的大规模网络动态可视化可能力有不逮。但对于绝大多数静态脑网络和激活模式展示需求它无疑是平衡了易用性、美观度和控制精度的最佳选择之一。3. 环境准备与数据格式化在兴奋地开始画图之前我们必须把“原料”准备好。这里的环境准备不仅仅是安装软件更重要的是将你的数据整理成 BrainNet Viewer 能“吃”的格式。很多新手在这里栽跟头生成奇怪的图或者直接报错八成是数据格式不对。3.1 软件安装与路径设置首先你需要一个正常运行的 MATLAB 环境R2014b 及以上版本推荐。然后从 BrainNet Viewer 的官方发布页面如 GitHub 或 NITRC下载最新版本的压缩包。解压后你会得到一个名为BrainNetViewer的文件夹。注意绝对不要把这个文件夹放在 MATLAB 的默认安装目录或者带有中文或空格的路径下。最好放在一个简单的英文路径中例如D:\MyTools\BrainNetViewer。安装的核心步骤是“添加路径”。打开 MATLAB在“主页”选项卡点击“设置路径”然后选择“添加并包含子文件夹”找到你解压的BrainNetViewer文件夹添加进去。完成后在 MATLAB 命令窗口输入BrainNet并回车如果弹出了软件的主界面恭喜你安装成功。3.2 核心数据文件格式详解这是最关键的一步。我们分别来看.node和.edge文件。.node文件这是一个文本文件通常有 5 列或 6 列每一行代表一个节点。列与列之间用空格或制表符分隔。[X] [Y] [Z] [Color] [Size] [Label]X, Y, Z: 节点的 MNI 坐标或个体空间坐标。这是必需的。Color: 节点的颜色。可以是一个数字BrainNet 会将其映射到颜色条也可以直接使用 RGB 值如1 0 0代表红色。如果不需要着色可以设为 1。Size: 节点的大小。通常用一个正数表示数字越大图中显示的球体就越大。Label: 节点的文本标签。如果不需要可以留空或写 0。例如一个简单的 3 个节点的.node文件内容可能是-45 -63 36 2 5 L_AG 45 -66 33 3 5 R_AG 0 -27 45 1 7 PCC这表示有三个节点分别位于左右角回和 posterior cingulate cortex颜色值不同大小略有差异并带有标签。.edge文件这是一个 N×N 的方阵文本文件同样用空格或制表符分隔。第 i 行第 j 列的值表示第 i 个节点与第 j 个节点之间的连接强度。矩阵通常是对称的无向网络对角线上的值节点与自身的连接通常为 0 或 NaN。0 0.5 0.2 0.5 0 0.8 0.2 0.8 0这个例子表示一个 3 个节点的网络节点1和节点2的连接强度是0.5节点1和节点3是0.2节点2和节点3是0.8。实操心得我强烈建议使用 MATLAB 或 Python如 NumPy来生成这些文件而不是手动在文本编辑器里敲。你可以先定义好坐标矩阵、颜色向量、大小向量和连接矩阵然后用dlmwrite函数MATLAB或numpy.savetxt函数Python写入文本文件。这样可以绝对避免格式错误也便于批量处理多个被试或条件的数据。4. 从零到一绘制你的第一张脑网络图现在让我们用最简单的例子走通整个流程。假设我们有一个包含 5 个脑区节点的小网络我们已经准备好了example.node和example.edge文件。4.1 图形用户界面快速入门对于初学者GUI 是最友好的方式。启动在 MATLAB 命令窗口输入BrainNet打开主界面。加载表面点击 “Surface File” 旁的按钮默认路径下选择Data/SurfTemplate/BrainMesh_ICBM152.nv。这是标准的 ICBM152 模板脑。加载节点点击 “Node File” 旁的按钮选择你准备好的example.node文件。加载边点击 “Edge File” 旁的按钮选择你准备好的example.edge文件。绘制点击右下角的 “Draw” 按钮。稍等片刻一个包含大脑表面、彩色节点和连线的三维图就会出现在新的图形窗口中。你可以用鼠标拖拽旋转大脑滚轮缩放右键平移。简单调整在主界面上你可以进行一些快速设置“Display”可以勾选是否显示节点标签、是否将节点显示为球体。“Option”点击后可以打开详细设置面板这里可以调整节点颜色映射、大小范围、边的颜色和阈值等。一个常用技巧是设置边的阈值。在 “Option” - “Edge” 选项卡中设置一个 “Threshold”。比如设为 0.3那么连接强度低于 0.3 的边就不会被画出来可以让图形更清晰突出强连接。保存图片在生成的图形窗口的菜单栏点击 “File” - “Save as”可以选择保存为.figMATLAB 图形文件可后期编辑或.tiff/.png用于插入论文。保存为图片时务必在“保存”对话框中点击“选项”将分辨率DPI设置为 300 或 600以满足出版要求。4.2 使用脚本进行批量与精细化控制GUI 适合探索和快速出图但当你需要为几十个被试批量生成图片或者需要极其精确地控制每一个视觉元素时脚本才是王道。BrainNet Viewer 的核心是一个名为BrainNet_MapCfg的函数。下面是一个最基本的脚本示例% 1. 定义文件路径 surface_file BrainMesh_ICBM152.nv; node_file example.node; edge_file example.edge; % 2. 定义配置这里先使用默认配置 cfg []; % 3. 调用函数生成图形 BrainNet_MapCfg(surface_file, node_file, edge_file, cfg); % 4. 保存图形 saveas(gcf, my_first_brainnet_figure.png);这个脚本会生成和 GUI 点击 “Draw” 一样的效果。但cfg这个变量才是精髓所在。cfg是一个结构体里面包含了所有可视化参数。你可以通过cfg.Nodecfg.Edgecfg.Global等子结构体来详细设置。如何知道cfg里能设置什么最实用的方法是利用 GUI 生成一个配置文件。在 GUI 中调整好所有你满意的设置颜色、大小、视角、灯光等。在图形窗口的菜单栏点击 “File” - “Save as” - “Config file (*.mat)”保存一个.mat文件。在 MATLAB 中加载这个文件load(your_config.mat)你会发现工作区里有一个cfg变量。在命令窗口输入cfg并回车或者双击工作区里的cfg变量你就可以像查字典一样看到所有可设置的参数及其当前值。例如你想把节点颜色改为红色并设置一个特定的视角cfg.Node.CM [1 0 0]; % 红色 cfg.Global.View [90, 0]; % 视角参数[方位角 仰角] BrainNet_MapCfg(surface_file, node_file, edge_file, cfg);掌握了通过 GUI 导出配置再在脚本中修改的方法你就拥有了无限的可定制能力。你可以写一个循环为每一组数据自动生成图片并统一使用你精心调整好的美学风格。5. 高级技巧与深度定制当你掌握了基础操作后下面这些技巧能让你的图片从“能用”跃升到“精美”。5.1 多视图布局与组合一张图只显示一个视角往往不够。我们可能需要同时展示大脑的左视图、右视图、顶视图和后视图以便读者全方位了解激活或连接模式。BrainNet Viewer 可以轻松实现。cfg []; cfg.Global.View [90,0; -90,0; 0,90; 180,0]; % 四个视角右、左、顶、后 cfg.Global.Position [0,0,800,600]; % 图形窗口大小 BrainNet_MapCfg(surface_file, node_file, edge_file, cfg);运行后你会得到一张包含四个子图的图片。cfg.Global.View的每一行对应一个视角。你可以通过调整cfg.Global.Subplot来改变子图的排列方式。5.2 节点与边的精细化美学控制节点按值着色如果你的.node文件第四列是连续值如 T 值、Z 值你可以通过cfg.Node.CM设置颜色映射。cfg.Node.CM可以是一个 N×3 的矩阵自定义颜色表也可以是一个字符串如jet,hot,cool来调用 MATLAB 内置的颜色表。通过cfg.Node.Size可以调整节点大小的缩放比例。边按权重着色和阈值化连接矩阵的值可以映射到颜色。cfg.Edge.CM控制边的颜色映射。cfg.Edge.Threshold至关重要它可以过滤掉弱连接让图形更清晰。cfg.Edge.Size可以控制边粗细的缩放。添加颜色条对于按值着色的节点或边添加颜色条是必要的。这需要通过 MATLAB 的图形底层命令来实现。在BrainNet_MapCfg生成图形后使用colorbar命令并调整其位置和标签。BrainNet_MapCfg(...); colorbar(Position, [0.85 0.2 0.02 0.6]); % 调整颜色条位置和大小 ylabel(colorbar, T-value); % 给颜色条加标签5.3 玻璃脑与切片视图有时我们需要看大脑内部的激活。BrainNet Viewer 支持“玻璃脑”视图即大脑呈半透明状内部的节点和边得以显现。在 GUI 的 “Option” - “Surface” 选项卡中将 “Alpha” 值调低如 0.3即可实现半透明效果。在脚本中对应cfg.Surf.Alpha 0.3;。更进一步的你可以加载脑切片模板如BrainNetViewer/Data/SurfTemplate/BNI_Atlas_246_1mm.nii并结合节点坐标来展示在特定轴向、冠状位、矢状位切片上的投影。这需要用到BrainNet_MapCfg的扩展功能或社区插件实现起来稍复杂但能提供更临床化的视图。6. 常见问题排查与实战心得在实际使用中你一定会遇到各种奇怪的问题。这里记录了几个最典型的情况和解决方案。6.1 图形显示异常或报错问题图片一片空白只有坐标轴没有大脑。排查首先检查表面文件路径是否正确。确保加载的.nv文件是有效的。其次检查 MATLAB 的当前工作文件夹是否在BrainNetViewer目录下如果不是可能导致相对路径失效。建议在脚本开头使用cd命令切换到 BrainNet Viewer 目录或者使用绝对路径。问题节点没有显示或者显示在奇怪的位置比如大脑外面。排查99% 的原因是.node文件格式错误。检查坐标列是否正确分隔符是否是空格/制表符。特别注意MNI 坐标的顺序是 X左右右为正、Y前后前为正、Z上下上为正。如果你的坐标来自其他软件如 SPM 报告的是 [Y, X, Z]需要进行转换。另外检查坐标单位是否是毫米mm与表面模板是否匹配通常是 MNI152。问题边没有显示或者所有节点都两两相连。排查检查.edge文件。首先确保它是一个方阵行数和列数等于节点数。其次检查矩阵中是否有非数值如 NaN, Inf。最后尝试调整cfg.Edge.Threshold。如果阈值设得太低可能所有边都显示出来导致一团乱麻如果设得太高可能所有边都被过滤了。6.2 图片输出质量不佳问题保存的.png图片分辨率低有锯齿。解决不要用图形窗口的截图工具。一定要用 “File” - “Save as” 的方式保存。在保存对话框中点击“选项”将“分辨率”设置为 300 或 600 DPI并将“渲染器”设置为-opengl或-painters后者对于复杂图形可能更好但慢一些。问题图片背景是灰色的我想改成白色。解决在生成图形后使用 MATLAB 命令设置图形背景色。set(gcf, Color, w); % 将图形窗口背景设为白色 set(gca, Color, w); % 将坐标轴背景设为白色或者在cfg中设置cfg.Global.BackgroundColor [1 1 1]; % RGB白色6.3 性能与效率优化问题当节点数200和边数非常多时图形渲染极慢操作卡顿。解决阈值化这是最重要的步骤。通过cfg.Edge.Threshold过滤掉弱连接只保留 top 5% 或 10% 的强连接能极大减少渲染元素。简化表面BrainNet Viewer 也提供了简化版的表面文件顶点更少渲染更快但细节会丢失。权衡使用。先出小图再调参数在调试脚本和参数时可以先用一个小的子网络比如前20个节点来快速预览效果等所有美学参数调好之后再应用到全网络上生成最终的高清大图。关闭抗锯齿在脚本开头设置cfg.Global.Renderer zbuffer;。这个渲染器比默认的opengl更快但质量稍差适合调试阶段。最后我个人最深的一个体会是可视化是服务于科学故事的。在追求图片美观的同时永远要问自己这张图是否清晰、准确、无歧义地传达了我的核心发现颜色映射是否直观例如用红-黄表示激活增强用蓝-青表示激活减弱节点和边的视觉编码大小、粗细是否与数据的重要性成正比是否有必要的图例和标注花时间打磨一张信息密度高、美学过关的图片对于提升论文的质量和说服力绝对是事半功倍的投资。BrainNet Viewer 就是你手中实现这一目标的得力工具希望这篇教程能帮你更快地驾驭它。
