BrainNet Viewer脑网络可视化：MATLAB科研绘图高效解决方案

1. 从零开始：为什么你需要BrainNet Viewer？

如果你正在用MATLAB处理脑影像数据，比如fMRI、EEG/MEG的源定位结果，或者结构像的皮层分区，那你大概率遇到过一个问题：怎么把大脑激活图或者网络连接图，画得既专业又好看？MATLAB自带的绘图函数，比如scatter3、plot3，画个简单的三维散点还行，但一旦涉及到复杂的大脑皮层表面、激活区域渲染、网络连线，代码就会变得异常臃肿，效果也往往差强人意，离发表级图表总差那么点意思。

这就是BrainNet Viewer出场的时候了。我第一次接触它，是在处理一批静息态功能磁共振数据的网络分析结果时。手头有几十个被试的脑功能连接矩阵，需要把显著的功能连接边，以“连线”的形式投射到一个标准大脑模板上，直观展示出哪些脑区之间的连接增强了或减弱了。用纯MATLAB代码硬写，光是把大脑皮层表面模型读进来、渲染、上色，再根据坐标画线、调整透明度，就花了我整整两天，结果还经常因为视角、光照问题导致某些连线被遮挡，看不清楚。

后来实验室的师兄扔给我一个脚本，里面就调用了两个函数：BrainNet_LoadFile和BrainNet_Viewer。运行之后，一个带光照、可旋转、能分层显示的大脑三维图就出来了，节点和连线清晰美观。那一刻的感觉，就像从手工打磨零件突然换上了数控机床。BrainNet Viewer本质上是一个基于MATLAB的、专门用于大脑网络可视化（特别是基于节点的网络，如功能连接、结构连接）的开源工具包。它帮你把最繁琐的底层图形渲染工作打包好了，你只需要准备好数据（节点坐标、节点属性、连线信息），调用它的接口，就能快速生成高质量的可视化结果，极大地提升了科研效率，让你能把精力集中在数据分析和解读上，而不是和图形API较劲。

它特别适合以下几类人：神经科学、心理学、生物医学工程领域的研究生和科研人员；需要处理脑电、脑磁、磁共振脑网络数据的分析者；以及任何希望将大脑三维空间中的统计结果（如激活簇、损伤病灶、电极/探针位置）进行可视化展示的人。即使你MATLAB编程只是入门水平，按照它的数据格式要求准备文件，也能很快上手。接下来，我就以一个从数据准备到出图的完整流程，带你走一遍BrainNet Viewer的核心使用路径。

2. 核心文件准备：你的数据需要“对号入座”

BrainNet Viewer的输入核心是三个文件：节点文件（.node）、边文件（.edge）和可选的表面模型文件（.nv）。它的工作逻辑很清晰：根据节点文件确定大脑中各个“点”的位置和外观；根据边文件确定哪些“点”之间有连接以及连线的样式；最后将这些元素绘制在指定的脑表面模型上。很多新手觉得难，往往卡在第一步——数据格式不对。

2.1 节点文件（.node）：定义网络的“车站”

节点文件是一个文本文件，通常保存为.node后缀。它定义了网络中每个节点的空间坐标和属性。其标准格式是每行一个节点，共6列，以空格或制表符分隔：

X坐标 Y坐标 Z坐标 颜色 大小 标签

前3列（坐标）：这是最重要的，决定了节点在三维空间中的位置。通常使用标准脑空间坐标，如蒙特利尔神经研究所（MNI）坐标或塔拉伊拉赫（Talairach）坐标。例如，一个位于左侧前额叶的节点坐标可能是-40, 20, 30。

第4列（颜色）：控制节点的颜色。这里可以输入一个数字，BrainNet Viewer会根据你选择的颜色映射（Colormap）将这个数字映射为具体颜色。常用于表示节点的某种属性值，比如节点度、中心性指标、组间差异的t值等。如果你只想让所有节点显示为同一颜色，可以在这一列全部填1，然后在软件界面选择单一颜色。

第5列（大小）：控制节点的显示尺寸。同样是一个数字，数字越大，节点在图中显示得越大。可以用来可视化节点的另一个属性，比如参与系数。如果不需要大小变化，可以全部设为相同的值，比如1。

第6列（标签）：节点的名称或编号，这是一个字符串。在最终出图时，可以选择是否显示这些标签。对于AAL（自动解剖标记）脑区，这里可以写脑区缩写，如PreCG_L（左侧中央前回）。

一个简单的.node文件内容示例：

-40.2 20.1 30.5 2.5 1.2 PreCG_L 42.3 -5.6 15.8 1.8 0.8 PreCG_R 0.0 -30.5 25.0 3.0 1.5 ACC

这里，三个节点分别用颜色值（2.5, 1.8, 3.0）和大小值（1.2, 0.8, 1.5）来编码信息，标签分别是三个脑区。

实操心得：在实际操作中，我通常先用SPM、DPABI等工具得到激活簇的峰值点坐标（MNI坐标），或者用脑网络工具包（如GRETNA、BRANT）计算出网络节点的MNI坐标。然后写一个简单的MATLAB脚本，将这些坐标连同计算好的节点属性（如度中心性）输出成.node格式。最容易出错的地方是分隔符，务必确保是空格或Tab，不要混用逗号。可以用MATLAB的dlmwrite函数，指定分隔符为' '（空格）或'\t'（Tab）。

2.2 边文件（.edge）：定义“车站”间的“铁路”

边文件定义了节点之间的连接关系，通常保存为.edge后缀。它是一个N x N的方阵（N为节点数），以文本形式存储。矩阵的第i行第j列的值，表示节点i和节点j之间的连接强度或是否存在连接。

例如，一个3个节点的全连接网络，其.edge文件内容可能如下：

0 0.7 0.3 0.7 0 0.5 0.3 0.5 0

这是一个对称矩阵，对角线一般为0（表示节点与自身无连接）。值可以是二进制的（0或1，表示有无连接），也可以是加权的（如功能连接中的相关系数、结构连接中的纤维数量）。BrainNet Viewer在绘图时，会根据这个矩阵的值来决定是否画线，以及连线的粗细/颜色。

注意事项：BrainNet Viewer在可视化时，默认会绘制所有非零的边。如果你的网络非常稠密（比如全脑90个AAL脑区，功能连接阈值化后可能还有上千条边），直接绘制会导致图形一团乱麻，根本无法辨认。因此，在生成.edge文件前，务必对连接矩阵进行合理的阈值化处理。例如，只保留相关性最强的前10%的边，或者只保留统计检验显著的边（p < 0.01，并经过FDR校正）。这一步通常在之前的网络分析中完成。

2.3 表面文件（.nv）：提供绘图的“舞台”

表面文件是大脑皮层表面的三角网格模型，定义了绘图的三维“舞台”。BrainNet Viewer自带了一些标准模板：

• BrainMesh_ICBM152.nv: 最常用的ICBM152标准大脑模板，左右半球合并。
• BrainMesh_ICBM152_smoothed.nv: 平滑后的版本，表面更光滑。
• BrainMesh_Ch2.nv: 基于Colin27高精度模板，细节更丰富。
• 还有单独的左半球 (BrainMesh_ICBM152Left.nv)、右半球 (BrainMesh_ICBM152Right.nv) 和子皮层 (BrainMesh_Ch2_subcortex.nv) 模板。

对于绝大多数发表级图表，使用BrainMesh_ICBM152_smoothed.nv就足够了。它的路径通常在BrainNet Viewer安装目录的Data/SurfTemplate文件夹下。你不需要修改这个文件，只需要在调用时指定它的路径。

3. 一键可视化：GUI界面快速上手

对于初学者或快速查看数据，使用图形用户界面（GUI）是最直接的方式。确保你已经将BrainNet Viewer的文件夹及其子文件夹添加到MATLAB的搜索路径中。

1. 启动GUI：在MATLAB命令窗口输入BrainNet并回车，会弹出主界面。
2. 加载文件：
   • 表面文件 (Surf): 点击...，导航到BrainNet Viewer/Data/SurfTemplate/，选择BrainMesh_ICBM152_smoothed.nv。
   • 节点文件 (Node): 点击...，选择你准备好的.node文件。
   • 边文件 (Edge): 点击...，选择你准备好的.edge文件。
3. 点击“Draw”：如果文件格式正确，一个三维大脑图像就会在一个新的图形窗口中渲染出来。

初次绘图后的常见问题与调整：

• 节点/边看不见：可能是节点坐标不在大脑表面附近（比如坐标是voxel索引而非MNI坐标），或者边矩阵的值全部为0。检查坐标单位（应是毫米）和边矩阵是否已阈值化。
• 图形窗口一片灰：可能是视角问题。在图形窗口，你可以用鼠标直接拖拽来旋转大脑，滚轮缩放，右键拖拽平移。多转一转，节点和边可能就在另一侧。
• 想调整颜色、大小、标签：关闭图形窗口，回到BrainNet主界面。在点击“Draw”之前，主界面上有Options按钮。点击后会出现一个包含多个选项卡的设置窗口，这是进行深度定制的关键。

4. 深度定制：通过Options打造发表级图表

Options对话框是BrainNet Viewer的灵魂，掌握了它，你就能完全掌控图表的每一个细节。它主要包含以下几个选项卡：

4.1 表面设置 (Surface)

这里控制大脑表面的外观。

• 颜色 (Color)：可以设置整个大脑表面的颜色。默认是灰色材质感。你可以改为纯白 ([1 1 1]) 以获得更干净的背景，或者浅灰色 ([0.9 0.9 0.9])。
• 透明度 (Alpha)：值为1表示完全不透明，0表示完全透明。适当降低透明度（如0.6-0.8）可以让被表面遮挡的节点和边若隐若现，增加层次感。
• 材质 (Material)：shiny（光亮）、dull（暗淡）、metal（金属）等。shiny搭配适当的光照，能突出大脑沟回的立体感，是发表文章中常见的样式。
• 光照 (Lighting)：勾选Lighting并设置光照位置和强度，能极大增强三维立体感。通常使用从左上角照射的光源。

4.2 节点设置 (Node)

这里精细化控制节点的显示。

• 尺寸 (Size)：你可以选择Fixed（固定大小，所有节点一样大）或Custom（自定义，读取.node文件第5列）。如果.node文件第5列是连续变量，这里还可以设置尺寸映射的范围 (Size Range)。
• 颜色 (Color)：这是最常用的定制项。选择Color Map，然后从下拉菜单中选一个色图，如jet（彩虹色）、hot（热力图）、cool、winter等。.node文件第4列的值将根据你选的色图进行映射。你还可以通过Color Range手动设置映射的数据范围，这对于统一多组图表的颜色标尺至关重要。
• 标签 (Label)：可以开关节点标签显示，设置标签字体、颜色、大小。如果节点太多，显示所有标签会非常杂乱，建议只显示关键脑区的标签。

4.3 边设置 (Edge)

控制网络连线的外观。

• 连线方式 (Line Style)：Straight（直线）或Spline（曲线）。曲线看起来更柔和，但直线在科学图表中更常见。
• 粗细 (Size)：和节点类似，可以选择固定粗细或根据.edge文件中的连接强度值来自定义 (Link Connection Value)。通常将连接强度映射到线条粗细上，强度越大线越粗，这样一目了然。
• 颜色 (Color)：线条颜色也可以映射。可以选择一个独立的色图，或者选择Interpolated（插值），这样线条的颜色会根据其两端节点的颜色进行渐变，效果很炫酷但有时会显得杂乱。对于功能连接，我通常用单一深色（如深蓝或深灰），只通过粗细表达强度。
• 阈值 (Threshold)：这是一个极其重要的选项。即使你在.edge文件中已经做了阈值化，这里还可以设置一个显示阈值。比如.edge文件里是相关系数矩阵，你可以在这里设置只显示绝对值大于0.6的边，让图形更简洁。

4.4 布局与视角 (Layout & View)

• 视图 (View)：预设了一些标准视角，如Left（左视图）、Right（右视图）、Top（顶视图）、Front（前视图）、Back（后视图）。在GUI中手动旋转到一个满意的角度后，可以点击Get View按钮获取当前的视角参数（方位角az和仰角el），记录下来，以便在脚本中复现。
• 图形输出 (Figure)：可以设置图形窗口的尺寸（Figure Size），单位是像素。对于发表，建议设置一个较大的、高宽比合适的尺寸，比如[1200, 900]。务必勾选Display in new figure，这样每次绘制都会在新窗口，避免覆盖。

调整完所有选项后，点击Apply或OK，然后回到主界面点击Draw，就能看到定制后的效果。反复调整直到满意为止。

5. 脚本化操作：实现批量处理与可重复性

使用GUI交互调整虽然直观，但无法批量处理多个数据，且每次手动设置难以保证完全一致。对于严肃的科研工作，必须将流程脚本化。BrainNet Viewer提供了函数接口，最核心的是BrainNet_Viewer函数。

一个最基本的脚本化绘图示例：

% 假设 BrainNet Viewer 工具箱路径已添加 % 定义文件路径 surf_file = 'BrainNet Viewer/Data/SurfTemplate/BrainMesh_ICBM152_smoothed.nv'; node_file = 'my_results/group_network.node'; edge_file = 'my_results/group_network.edge'; % 方法1：最简单调用，使用默认设置 BrainNet_Viewer(surf_file, node_file, edge_file);

运行这段代码，效果和在GUI中加载三个文件后点击“Draw”一样。

但我们需要定制。这时需要用到第四个参数：一个包含所有选项设置的结构体（cfg）。手动构建这个cfg很复杂，但BrainNet Viewer提供了一个非常方便的函数BrainNet_LoadCfg来从之前保存的配置文件中加载。

高效工作流：

1. 在GUI中调出一张完美的图：按照第4节的方法，在Options中仔细调整表面、节点、边、视角等所有参数，直到得到一张你满意的图。
2. 保存配置：在Options对话框的右下角，有一个Save按钮。点击它，将当前的所有设置保存为一个.mat文件，比如my_paper_fig_setting.mat。
3. 在脚本中加载配置并批量绘图：

surf_file = 'BrainNet Viewer/Data/SurfTemplate/BrainMesh_ICBM152_smoothed.nv'; node_files = {'subj01.node', 'subj02.node', 'subj03.node'}; % 多个节点文件 edge_files = {'subj01.edge', 'subj02.edge', 'subj03.edge'}; % 多个边文件 cfg_file = 'my_paper_fig_setting.mat'; % 你保存的配置文件 % 加载配置 cfg = BrainNet_LoadCfg(cfg_file); for i = 1:length(node_files) % 为每个被试绘图 BrainNet_Viewer(surf_file, node_files{i}, edge_files{i}, cfg); % 保存图片（需要借助MATLAB的saveas或exportgraphics函数） % 先获取当前图形窗口的句柄，假设BrainNet_Viewer创建了新窗口 fig_handle = gcf; output_filename = sprintf('network_figure_subj%02d.png', i); % 方法1：saveas (分辨率可能不高) % saveas(fig_handle, output_filename, 'png'); % 方法2：exportgraphics (推荐，可设置高DPI) exportgraphics(fig_handle, output_filename, 'Resolution', 300); % 关闭当前图形窗口，准备绘制下一个 close(fig_handle); end

通过这个流程，你可以确保为几十甚至上百个被试生成的网络图，其颜色映射、视角、光照、字体大小等所有视觉元素完全一致，这对于科学研究中的组间比较和论文插图至关重要。

6. 高级技巧与避坑指南

掌握了基础流程，下面分享一些能让你事半功倍、避开常见陷阱的高级技巧。

6.1 处理重叠节点与边：让图形清晰可辨

当节点非常密集（比如基于AAL 90脑区模板），或者边非常多时，图形会变得一团糟。

• 节点层面：可以考虑不显示所有节点，只显示那些具有显著属性（如高节点度）的节点。这需要在生成.node文件时，就根据你的统计指标对节点进行筛选。
• 边层面：如前所述，严格的阈值化是关键。不要展示全连接矩阵。可以尝试：
  1. 设置一个绝对的强度阈值（如只保留相关系数 > 0.3 的边）。
  2. 设置一个相对的密度阈值（如只保留每个节点最强的5条连接）。
  3. 结合统计检验，只保留组间差异显著的边（p < 0.05, FDR校正）。
• 可视化技巧：在Options的Edge设置中，可以适当降低线条的透明度 (Alpha)，这样重叠的线条会因叠加而颜色加深，反而能暗示连接的密集程度。也可以尝试用Spline曲线，有时比直线更容易区分。

6.2 制作组间对比图：并排显示与差分网络

这是科研中的常见需求。

• 并排显示：最简单的方法是分别生成两组（如健康对照组 vs 患者组）的图形，然后用PPT、Adobe Illustrator或MATLAB的subplot/tiledlayout功能将它们拼在一起。关键是要确保两张图使用完全相同的配置（.mat文件），特别是颜色映射的范围 (Color Range)、视角和光照，否则对比会失真。
• 差分网络：有时我们想直接可视化组间有差异的连接。这时需要创建一个新的.edge文件，其中的值代表组间差异的统计量（如t值）。节点文件可以沿用任意一组的，或者用两组平均的节点属性。绘制时，用双色发散色图（如coolwarm）来映射这个差分.edge文件，红色表示患者组连接增强，蓝色表示减弱，一目了然。

6.3 导出高分辨率图片：满足期刊要求

GUI界面和默认的saveas函数导出的图片分辨率往往不够。

• 脚本导出：如上节所示，使用exportgraphics函数（MATLAB R2020a及以上版本）是首选。可以方便地设置Resolution（DPI，建议300或600）和BackgroundColor（通常设为'none'以获得透明背景，方便后期排版）。
• 矢量图：对于出版，期刊通常接受PDF或EPS格式的矢量图，这样可以无限放大不失真。可以使用saveas(gcf, ‘figure.pdf’, ‘pdf’)或print(‘-dpdf’, ‘-r600’, ‘figure.pdf’)导出PDF。但注意，如果图形非常复杂（数万条边），矢量文件可能会非常大，打开和渲染缓慢。这时高分辨率PNG（600 DPI）是更实用的选择。
• 手动调整后的保存：如果你在图形窗口手动旋转、缩放到了最佳视角，可以在命令窗口使用view命令获取当前视角参数[az, el]，记录下来并更新到你的cfg配置中，实现脚本化复现。

6.4 常见报错与排查

• 错误: “File not found” 或 “Unable to read file”：检查文件路径是否正确，尤其是相对路径和绝对路径。在脚本开头使用cd命令切换到数据所在目录，或使用绝对路径是最稳妥的。确保文件没有正在被其他程序打开。
• 错误: “Index exceeds matrix dimensions”：这通常意味着.node文件和.edge文件的维度不匹配。.edge文件应该是N x N的方阵，N等于.node文件的行数（节点数）。用MATLAB的load或dlmread函数检查两个文件加载后的矩阵维度。
• 图形元素显示不全或错位：首先检查节点坐标是否在合理范围内（MNI空间大致是±90mm, ±120mm, ±90mm）。如果坐标是voxel索引（如91x109x91），需要转换为毫米坐标。其次，检查表面模板是否匹配，比如用了左半球模板但节点坐标包含了右半球。
• 颜色映射显示异常：如果所有节点/边都显示为同一种颜色，检查.node文件第4列或.edge文件的值是否变化过小或全部相同。确认在Options中正确设置了Color Map和Color Range，并且映射模式（Custom）选择正确。

BrainNet Viewer是一个强大且持续维护的工具。当你熟悉了这些基础操作后，还可以探索其更多高级功能，比如绘制脑切片视图、集成统计结果进行显著性标注等。它的核心价值在于将你从繁琐的三维编程中解放出来，让你能更专注于科学问题本身。开始动手，用你的数据生成第一张图，在实践中遇到和解决具体问题，是掌握它的最快方式。