Method Article

تحديد الأمراض ذات الصلة أنماط التباين المشترك المكانية باستخدام بيانات تصوير الأعصاب

DOI:

10.3791/50319

⸱

June 26th, 2013

 ,  ,  ,  ,  ,  , 
1Center for Neurosciences, The Feinstein Institute for Medical Research

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

وقد استخدمت تقنيات متعدد المتغيرات بما في ذلك تحليل المكون الرئيسي (PCA) لتحديد أنماط بصمات التغير الإقليمي في صور الدماغ الوظيفية. وقد وضعنا خوارزمية لتحديد المؤشرات الحيوية شبكة استنساخه لتشخيص الاضطرابات العصبية، وتقييم تطور المرض، وتقييم موضوعي لآثار العلاج في المرضى من السكان.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

نموذج subprofile تحجيم (SSM) 1-4 هو خوارزمية متعدد المتغيرات القائمة على PCA أن يحدد المصادر الرئيسية للتباين في المريض ومراقبة مجموعة بيانات الصورة الدماغ بينما رفض مكونات أقل (الشكل 1). تطبيقها مباشرة على البيانات التغاير فوكسل تلو فوكسل من الصور تعدد الوسائط ثابت للدولة، وهو كامل مجموعة صورة المجموعة يمكن أن تخفض إلى بضعة أنماط التباين مستقلة خطيا كبيرا وعشرات موضوع المقابلة. كل نمط، ووصف مجموعة subprofile ثابتة (GIS)، هو المكون الرئيسي متعامد الذي يمثل شبكة توزيعها مكانيا من ظيفيا مناطق الدماغ مترابطة. تتم إزالة آثار العددية المتوسط ​​العالمي الكبيرة التي يمكن أن تحجب المساهمات أصغر شبكة محددة من قبل تحويل لوغاريتمي المتأصلة ويعني توسيط البيانات 2،5،6. موضوعات التعبير عن كل من هذه الأنماط إلى درجة متغير يمثله النتيجة العددية البسيطة التي يمكن أن ترتبط مع كلين مستقلةواصف كال أو البسيخومتري 7،8. باستخدام تحليل الانحدار اللوجستي من عشرات الموضوع (أي القيم التعبير نمط)، يمكن اشتقاق معاملات خطي إلى الجمع بين مكونات رئيسية متعددة في أنماط التباين المكاني ذات الصلة مرض واحد، أي شبكات مركب مع تحسن التمييز من المرضى من الأشخاص الخاضعين للمراقبة صحية 5،6. عبر التحقق من صحة ضمن مجموعة الاشتقاق يمكن القيام بها باستخدام تقنيات اختزال التمهيد 9. يتم تأكيد التحقق من صحة إلى الأمام بسهولة عن طريق تقييم نقاط مباشرة من أنماط مشتقة في مجموعات البيانات المحتملين 10. بمجرد التحقق من صحة، وأنماط الأمراض ذات الصلة يمكن أن تستخدم لتسجيل المرضى الفردية فيما يتعلق عينة مرجعية ثابتة، وغالبا مجموعة من المواضيع الصحية التي تم استخدامها (مع مجموعة المرض) في الاشتقاق نمط الأصلي 11. هذه القيم موحدة يمكن بدوره أن تستخدم للمساعدة في التشخيص التفريقي 12،13 وتقييم المرضآثار التقدم والعلاج على مستوى الشبكة 7،14-16. نقدم مثالا لتطبيق هذه المنهجية إلى FDG PET بيانات من مرضى الشلل الرعاش والضوابط العادية باستخدام برنامجنا في المنزل لاستخلاص نمط التباين سمة العلامات البيولوجية للمرض.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

وقد درس الاضطرابات العصبية على نطاق واسع باستخدام التقنيات التي تعريب وتحديد شذوذ في استقلاب الدماغ وكذلك الأساليب غير استنتاجي أن دراسة التفاعلات الإقليمية 17. الاستراتيجيات التحليلية متعدد المتغيرات التي تعتمد على البيانات مثل تحليل المكون الرئيسي (PCA) 1،2،4،18 وتحليل عنصر المستقلة (ICA) 19،20، وكذلك التقنيات تحت إشراف مثل المربعات الجزئية الأقل (PLS) 21 والاتجاهات ترتيبي الكنسي variates تحليل (أورط / CVA) 22 يمكن أن تكشف عن أنماط مميزة أو "شبكات" من النشاط المترابطة. أساسيات الإجراءات متعدد المتغيرات، ولا سيما نموذج subprofile تحجيم (SSM) 1،2،4-6،18 وقد وصفت سابقا في إن الرب 3. وقد تم تطوير هذا النهج القائم على الشراكة والتعاون في الأصل لدراسة العلاقات التغاير وظيفية غير طبيعية بين مناطق الدماغ في حالة استقرار الصور مجلد واحد من تدفق الدم في الدماغ والتمثيل الغذائي ACQuired في حالة الراحة من طرائق مثل PET وSPECT الذي يحمل خصائص عالية إشارة إلى الضجيج. أنماط SSM بأمراض محددة هي المؤشرات الحيوية التصوير التي تعكس الاختلافات العامة في تضاريس الإقليمية في المرضى مقارنة مع 7،16 مواضيع عادية، وربما تعكس عملية شبكة واحدة أو استيعاب عدة وظائف غير طبيعية معقدة 23. وترتبط الأيضية التغاير شبكات الدماغ مع نمط القيم التعبير (عشرات الموضوع) يمكن أن تميز بين الجماعات العادي والمرض وتوفير التدابير القائمة على الشبكة التي ترتبط تقييمات السريرية من شدة المرض. عادة، زيادة درجات الموضوع لهذه الأنماط مع تطور المرض، وربما حتى قبل أن يعبر ظهور الأعراض 14،24. في الواقع، وقد اتسمت المؤشرات الحيوية المتعلقة بالشبكة المرض لعلاج الاضطرابات العصبية مثل مرض باركنسون 10 (PD)، مرض هنتنغتون 25 (HD)، ومرض الزهايمر 8 (AD). الأهم من ذلك، كما تم تحديد تصاميم الأيض المرتبطة المرض لشاذة اضطرابات الحركة مثل الشلل الارتعاشي متعددة ضمور نظام (MSA) والشلل التدريجي فوق النووي (PSP). وقد استخدمت هذه الأنماط في الحفل عن التشخيص التفريقي للأفراد مع مشابهة سريريا متلازمات "نظرة على حد سواء" 12،13،26.

في المقابل، نموذجي طرق حيد المتغير القائم على فوكسل الرنين المغناطيسي الوظيفي تقييم أهمية الاختلافات بين المرضى والضوابط في مجموعات الدماغ معزولة. وفي الآونة الأخيرة، تم تطوير أساليب لقياس التوصيلية وظيفية بين مناطق الدماغ تعريف بتنوع 27-29. ويقتصر هذا التعريف للاتصال وظيفي لموضوع والمنطقة التفاعلات وينحرف محددة من SSM / PCA المفهوم الأصلي الذي يشير إلى الترابط مستعرضة من توزيعها مكانيا المناطق الجوهرية شبكة الدماغ 1،2،23،30. لصالحها، ومنصات التصوير بالرنين المغناطيسيإعادة تركيبها بسهولة، وهي متاحة على نطاق واسع، غير الغازية وعادة ما تتطلب أقصر وقت المسح من طرائق التصوير المشع التقليدية مثل PET أو SPECT مما أدى إلى تصاعد المنهجيات المحتملة وصفها في المؤلفات الحديثة. ومع ذلك، توفر الناتجة إشارات الرنين المغناطيسي الوظيفي التي تعتمد على الوقت التدابير غير المباشرة من النشاط العصبي المحلية 31،32. تم الخوارزميات التحليلية المعقدة عموما يعملون محدودة بسبب حجم كبير من مجموعات البيانات، والضجيج الفسيولوجية الكامنة في إشارات الرنين المغناطيسي الوظيفي، فضلا عن التباين الشديد في نشاط الدماغ التي تربط بين الموضوعات والمناطق 19،23. على الرغم من معلومات مثيرة للاهتمام بشأن تنظيم الدماغ ويمكن الاستدلال على ذلك من خصائص "الشبكات" الرنين المغناطيسي الوظيفي، فإنها لم تكن مستقرة بما فيه الكفاية لاستخدامها المؤشرات الحيوية المرض موثوق بها. وعلاوة على ذلك، وتصاميم شبكة الناتجة لا تساوي بالضرورة إلى تلك التي تم تحديدها باستخدام منهجيات التصوير وظيفية أنشئت مثل SSM / PCA. عن اله جزء الاكبر، وصرامة عبر المصادقة على تصاميم الرنين المغناطيسي الوظيفي مما أدى كان مفتقدا مع أمثلة قليلة من نجاح التطبيق إلى الأمام من أنماط مستمدة في بيانات المسح المحتملين من الحالات واحدة.

ميزة من تحليل التباين المشترك PCA يكمن في قدرتها على التعرف على أهم مصادر الاختلاف في البيانات القليلة الأولى المكونات الرئيسية لكنها غير فعالة إذا كانت المتجهات الذاتية بارزة تمثل عوامل الضجيج العشوائي بدلا من الاستجابة شبكة الجوهرية الفعلية. فقط من خلال تحديد المتجهات الذاتية القليلة الأولى، والتي تحد من تلك التي تظهر فروق ذات دلالة إحصائية في درجات السيطرة المريض مقابل العادية، ونحن يقلل كثيرا من تأثير العناصر الضوضاء. ومع ذلك، من أجل النهج الأساسي وصفها هنا، فإن هذه التدابير قد لا تكون كافية لتوليد المقدرات قوية في مجموعة بيانات الرنين المغناطيسي الوظيفي نموذجي مع استثناء من طرائق موضح أدناه.

وبالتالي، ونظرا للعلاقة مستقرة المباشر للز الإقليميةالأيض lucose والنشاط متشابك 33، وقد تم تطبيق هذه المنهجية أساسا لتحليل البيانات بقية الدولة PET FDG. ومع ذلك، نظرا لأن تدفق الدم الدماغي (البرازيلي) ويقترن ارتباطا وثيقا النشاط الأيضي في حالة الراحة 10،11،34، 35،36 SPECT وأكثر الشرياني مؤخرا وضع العلامات تدور (ASL) أساليب التصوير بالرنين المغناطيسي 37،38 نضح، وقد استخدمت لتقييم النشاط الأيضي غير طبيعية في حالات فردية. قلت ذلك، واشتقاق موثوقة أنماط التباين المكاني مع الرنين المغناطيسي الوظيفي يستريح الدولة (rsfMRI) كما لوحظ سابقا يست مباشرة 31،32. وحتى مع ذلك، فقد كشفت SSM / PCA تحليل أولي للبيانات rsfMRI من المرضى PD والضابطة حددت بعض homologies الطبوغرافية بين أنماط الأمراض ذات الصلة باستخدام طرائق اثنين، PET والسعة من تقلبات منخفضة التردد (ALFF) من BOLD الرنين المغناطيسي الوظيفي 39،40 . وأخيرا، نلاحظ أيضا أن هذا النهج قد تم تطبيقها بنجاح في فوكسل القائم على مورفومترى (VBM) بيانات التصوير بالرنين المغناطيسي الهيكلي 41،42، وكشف عن أنماط التباين المكاني المميزة المرتبطة بفقدان حجم المرتبط بالعمر وزيادة في مقارنات من VBM وأنماط ASL في الموضوعات نفسها 43. العلاقة بين SSM / PCA تصاميم التباين المكاني وشبكات الدماغ مماثلة تم تحديدها باستخدام أساليب تحليلية مختلفة ومنصات التصوير هو موضوع التحقيق الجاري.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. جمع البيانات وتجهيزها

  1. يمكن تطبيق طريقة SSM / PCA إلى صور مجلد واحد تم الحصول عليها من مصادر وطرائق مختلفة. على وجه التحديد، لتصوير PET في الموقع من عملية التمثيل الغذائي، وإعداد التتبع النويدات المشعة المناسبة مثل [18 F]-fluorodeoxyglucose (FDG) وإدارة لكل مريض. المرضى عادة ما يتم تفحص في بقية بعيون مفتوحة، وبعد صيام 12 ساعة على الأقل، إيقاف الأدوية.
  2. تفحص كل موضوع لتقييم الفرد أو المجموعة. لاشتقاق نمط والمسح الضوئي على عدد متساو من المرضى نوع الجنس والعمر المتطابقة والضوابط.
  3. نقل البيانات إلى محطة عمل وتحويله إلى شكل مناسب للتحليل في النظام الأساسي الخاص بك. لدينا جهاز كمبيوتر ويندوز يعتمد MATLAB تحليل البرمجيات (scanvp، ssm_pca، www.feinsteinneuroscience.org ) يتطلب تحليل أو تنسيق الصور nifti (مايو كلينيك، روشستر، مينيسوتا). أنه يوفر ر روتين تحويلس التحويل GE مقدما (ميلووكي، ويسكونسن، الولايات المتحدة الأمريكية) الماسح الضوئي والصور صيغة أخرى لتحليل الشكل.
  4. تطبيع صورة كل موضوع على مساحة التجسيمي المشتركة (مثل معهد مونتريال العصبية [MNI]) باستخدام معيار حزمة برامج تصوير الأعصاب مثل رسم الخرائط الإحصائية المعلمية (SPM) ( http://www.fil.ion.ucl.ac.uk/spm ) بحيث هناك تطابقا واحد الى واحد من القيم فوكسل بين الموضوعات (الشكل 2). اخفاء للحد من التحليل إلى مناطق المادة الرمادية (الشكل 3) والتحول سجل الموضحة في الخطوات التالية.

2. أداء SSM متعدد المتغيرات / PCA

عمليات متعددة المتغيرات SSM / PCA (الشكل 4) يمكن أن يقوم بها برنامج خارجي. الخطوات مفصلة أدناه تعكس الإجراءات المتبعة بالنسبة للجزء الاكبر تلقائيا باستخدام إجراءات لدينا في المنزل (الشكل 5) (المسح الضوئينائب الرئيس / ssmpca، www.feinsteinneuroscience.org متاحة أيضا بوصفها SPM الأدوات ssm_pca).

  1. البيانات باستخدام قناع متاح 0/1 الصورة لإزالة المناطق غير المرغوب فيها من الفضاء فوكسل مثل المادة البيضاء والبطينين. باستخدام روتين ssmpca، يتم إعطاء المستخدم خيار لتحديد الافتراضي أو قناع الخارجية الأخرى (الشكل 3) أو أن يكون البرنامج تلقائيا بإنشاء قناع عن طريق إزالة القيم أقل من المحددة الثابتة في المئة من الحد الأقصى لبيانات كل موضوع لل. ثم يتم ضرب أقنعة موضوع الفردية لتحديد قناع مركب. المناطق داخل قناع تعريف الفضاء فوكسل غير صفرية مشتركة للتحليل.
  2. تحويل 3D ملثمين البيانات فوكسل صورة لكل موضوع لاحد متجه صف المستمر بإلحاق خطوط المسح متتابعة من الطائرات على التوالي (الشكل 4A). تشكيل مصفوفة البيانات المجموعة (D) بحيث تكون البيانات لكل مادة ويناظر R محددةآه من المصفوفة. ثم يمثل كل عمود فوكسل خاصة عبر المواضيع. من الناحية المثالية، لاشتقاق العلامات البيولوجية، سوف تتكون لمصفوفة من عدد متساو من صفوف من البيانات العادية موضوع التحكم والبيانات موضوع المرض.
  3. تحويل كل إدخال البيانات إلى شكل لوغاريتمي.
  4. مركز مصفوفة البيانات من خلال طرح كل صف متوسط ​​أو موضوع يعني من عناصر الصف. متوسط ​​جميع الصفوف محورها يمثل مجموعة مميزة يعني يطلق عليه صورة السجل وسيلة الشخصي المجموعة (GMP، الشكل 4A). طرح الوسائل التي هي عمود عناصر GMP من عناصر عمود مصفوفة المقابلة. كل صف من المصفوفة محورها مزدوج يمثل يطلق عليه صورة 'المتبقي' لمحة المتبقية الموضوع (الخطة) التي تمثل الانحرافات من كل من الموضوع و وسائل فوكسل المجموعة الخامسة (الشكل 4B) عناصر.
    SRP SV = logD SV - يعني S - GMP الخامس
  5. بناء سوبجإلخ تلو موضوع التباين مصفوفة C من مركب مزدوج مصفوفة بيانات محورها من خلال حساب التغاير غير تسوية بين كل زوج موضوع ط، ي من SRP الصفوف مصفوفة تقييم كمنتج من عناصر فوكسل المقابلة لخص على كل voxels الخامس (الشكل 4B) .
    C ط = Σ V (X SRP SRP الرابع JV)
  6. تطبيق PCA إلى التغاير الموضوع تلو الموضوع مصفوفة C. ستكون النتائج مجموعة من المتجهات الذاتية النتيجة الموضوع مع القيم الذاتية المرتبطة بها. الوزن كل النواقل عن طريق ضرب من قبل الجذر التربيعي من القيمة الذاتية المقابلة لها. يتم تمثيل مجموعة من المتجهات الذاتية النتيجة عن طريق أعمدة المصفوفة الناتجة S في 4C الشكل.
  7. يمكن تحديد المتجهات الذاتية فوكسل لنفس مجموعة من القيم الذاتية من خلال تطبيق PCA إلى العمود بواسطة مصفوفة التغاير العمود أو عن طريق هذا البديل حسابيا أقل تطلبا procedلدى عودتهم مبين في (الشكل 4C). غادر مضاعفة النتيجة المستمدة سابقا مصفوفة متجه من قبل SRP مصفوفة تبديل لاشتقاق وP مجموعة من المتجهات الذاتية نمط فوكسل في ترتيب تنازلي من القيم الذاتية (الشكل 4C، الشكل 6، 7A الشكل).
    P = SRP T X S
    كل ناقلات العمود يمثل عنصر (PC) نمط الصورة الرئيسية للتحليل SSM / PCA يعزى إلى٪ من التباين الكلي استأثرت (VAF) المقابلة لحجم نسبي من القيمة الذاتية لها.

3. نمط الاشتقاق العلامات البيولوجية

  1. دراسة نتائج التحليل السابق لتحديد أنماط PC التي ترتبط مع القيم VAF عالية. ضمن روتين حياتنا، فوكسل ناقلات نمط هي Z-حولت بحيث قيمها تمثل الانحرافات المعيارية الإيجابية والسلبية من متوسط ​​قيمتها. ثم يتم إعادة تشكيل أنها في شكل صورة قبل عرض (7A الشكل).
  2. وفي بعض الحالات أنماط مع الانحرافات الإقليمية المعروفة المرتبطة بهذا المرض يمكن التعرف بصريا. تعتبر صياغة رياضية أشكال الإيجابية والسلبية لأجهزة الكمبيوتر المشتقة كحلول يعادل في هذه الحالة قد يكون ضرب كل من أجهزة الكمبيوتر وعشرات المرتبطة بها من قبل ناقص واحد لتتوافق مع تفسير الصحيح جسديا.
  3. يتم عرض عشرات المقابلة لكل نمط PC والرسوم البيانية والمخططات مبعثر (الشكل 7). يمكن إنشاء ROC مؤامرة اختياري (الشكل 7D). لتحديد نمط بأمراض محددة، لاحظ التفريق بين عشرات الموضوع بين المرضى والضوابط التي تعكسها وف القيم من المناظرة اثنين من عينة تي التجارب والقيم الجامعة الأمريكية بالقاهرة. الحد من تحليل لتلك أجهزة الكمبيوتر المرتبطة مع VAF عالية وتمايز عالية بالنسبة لبعض القيم الثابتة قطع (على سبيل المثال، P <0.05 وVAF> 5٪). عادة، واحد فقط أو اثنين من أجهزة الكمبيوتر تلبية هذا المعيار للبيانات PET.
  4. هناك فاريطرق أخرى لاختيار الأوس PC التي يمكن أن تعتبر 44. المؤامرة حصاة من القيم الذاتية المتتالية (الشكل 6) قد تعطي قيمة قطع حاد يمثله منحنى في منحنى وانخفاض حاد في المنحدر من منحنى حيث تبدأ القيم الذاتية تتدهور. وثمة نهج آخر هو أن تشمل جميع أجهزة الكمبيوتر التي تمثل أعلى 50٪ من التباين. إجراء مقبولة على نطاق واسع هو لحساب معلومات Akaike المعيار (AIC) 45 لتحديد أي مجموعة من أجهزة الكمبيوتر تحديد نموذج مع أدنى قيمة AIC يمكن أن تميز بين المرضى والضوابط.
  5. وPC المختارة (ق) يمكن أن تكون ناقلات تطبيع وجنبا إلى جنب خطيا لتسفر عن نمط واحد الأمراض ذات الصلة. برنامجنا يستخدم اختياريا وظيفة MATLAB glmfit لتحديد معاملات استنادا إلى نماذج الانحدار اللوجستي أو غيره تطبيقها على عشرات الموضوع. على الرغم من أن التفريق بين المريض والضابطة عادة يتحسن مع أجهزة الكمبيوتر إضافية نظرت في ديمجموعة rivation، وأنماط الناتجة هي تمثيل المركبة التي قد لا تتوافق مع شبكة فعلي واحد أو قد تتضمن انحرافات عزلاء (أرقام 7A و7C).
  6. هناك حاجة إلى مزيد التحقق من صحة الموثوقية وأهمية المحتملين. اختزال التمهيد لا يمكن أن يؤديها كما هو مبين أدناه 8 لتحديد voxels الأكثر موثوقية ضمن مجموعة البيانات الاشتقاق الأصلي المرتبطة الانحراف الأقل القياسية في تكرار نمط الاشتقاق. إلى الأمام يتم تنفيذ التحقق من صحة لاختبار للحساسية وخصوصية تمييز مجموعة مستقلة عن طريق اشتقاق عشرات لمجموعات من المرضى المحتملين والضوابط باستخدام-موضوع واحد طريقة تقييم درجة (الشكل 4D) وصفها في الجزء القادم من البروتوكول.

4. المفرد الموضوع تقييم نقاط الاستشراف باستخدام العلامات البيولوجية المحددة سلفا

  1. مرة واحدة في نمط واضح العلامات البيولوجية SSM-GISتم التعرف، على درجة لتعبيرها في موضوع المحتملين يمكن تقييمها من المسح أن الفرد باستخدام حساب بسيط للمنتج ناقلات الداخلية من هذا الموضوع في SRP ناقلات وناقلات نمط نظم المعلومات الجغرافية (الشكل 4D، الشكل 7D).
    SCORE = SRPs • نمط
  2. هو الآلي العملية السابقة من قبل نظام الحماية المؤقت الروتينية لدينا. ومع ذلك، لاشتقاق بشكل مستقل موضوع SRPs ناقلات استخدام قناع GIS الجوهرية المرتبطة بها في سجل البيانات المحولة وطرح كل من متوسط ​​الموضوع والقيم فوكسل المقابلة من الإشارة prederived مجموعة GMP كما في الخطوة 2.4. هذا يضمن أن عشرات يمكن مقارنة لمجموعة مرجعية محددة سلفا. عشرات لمجموعة جديدة يمكن تقييمها على نحو مماثل على أنها مجموعة من عشرات موضوع واحد المحتملين. للاستخدام مع مجموعة مرجعية مختلفة أو الإعداد، GMP يمكن تعديلها في حين أن النمط دون تغيير.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تطبيق بسيط من متعدد المتغيرات SSM / PCA التحليل لاستخلاص نمط العلامات البيولوجية لتصوير الأعصاب PD هو موضح أدناه. PET FDG الصور من عشرة المشخصة سريريا المرضى PD (6M/4F، 59y ± 7Y SD) لمدة المريضة متغير (9Y ± 5Y SD) وعشرة من السن والجنس المتطابقة الضوابط العادية (6M/4F، 58y ± 7Y SD) تم تحليلها باستخدام لدينا ssmpca الروتينية. تم اختيار المناظرة الصور قبل تطبيع العشرين مكانيا في البداية تحت الموضوعات المرض فئات أو عناصر التحكم جنبا إلى جنب مع قناع الافتراضي (الشكل 3)...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

نموذج SSM / PCA قدم أصلا من قبل مولر وآخرون. تطورت 01-03 أبريل في تقنية واضحة وقوية لتحليل البيانات تصوير الأعصاب. ومع ذلك، كانت هناك غموض في تطبيق هذه المنهجية التي حاولنا توضيح هنا وفي المنشورات السابقة 5-7،10. وقد تم تناول بعض هذه القضايا في النص ولكن اكد مجددا هنا نظرا لأهميتها. كما هو مفصل في المقدمة، SSM / PCA هي فعالة في المقام الأول في يستريح البيانات PET FDG الدولة، ولكنها كانت أيضا ناجحة باستخدام تقنيات التصوير مجلد واحد وغيرها من المنصات ب...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يتم سرد الدكتور Eidelberg كما شارك في مخترع اثنين من براءات الاختراع الولايات المتحدة على استخدام علامات التصوير لفحص المرضى عن اختلال وظيفي في الجهاز العصبي (دون تحقيق مكاسب مالية). لا يوجد المزيد من الإيضاحات.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

وأيد هذا العمل من قبل منحة رقم P50NS071675 (موريس K. مركز يودال التميز البحثي في ​​مرض باركنسون في معهد فينشتاين للأبحاث الطبية) إلى DE من المعهد الوطني للاضطرابات العصبية والسكتة الدماغية. المحتوى هو فقط من مسؤولية الكتاب ولا تمثل بالضرورة وجهة النظر الرسمية للمعهد الوطني للاضطرابات العصبية والسكتة الدماغية أو المعاهد الوطنية للصحة. لم الكفيل لا تلعب دورا في تصميم الدراسة، وجمع وتحليل وتفسير البيانات، كتابة التقرير أو في قرار تقديم الورقة للنشر.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Image Acquisition< / em>
PET ScannerMedical SystemsGE Advanceأي ماسحات ضوئية للحيوانات الأليفة والتصوير المقطعي بالإصدار البوزيتروني / التصوير المقطعي المحوسب والتصوير المقطعي بالإصدار البوزيتروني / التصوير بالرنين المغناطيسي من GE و Siemens و Philips
محطات عمل الكمبيوترLenovoAnyhttp://www.lenovo.com/us/en/< / a>
المستحضرات الصيدلانية المشعة< / em>
[18< / sup>F] -fluorodeoxyglucoseفاينشتاين للبحوث الطبيةالإنتاج الروتينيتم توزيعه أيضا بواسطة Cardinal Health http://www.cardinal.com/< / a>
Software< / em>
ScanVPمعهد فاينشتاين للأبحاث الطبيةالإصدار 5.9.1 ، الإصدار 6.2 ، ليتمإصدارهwww.feinsteinneuroscience.org< / a>
SPMمعهد UCL لطب الأعصابspm99-spm8http://www.fil.ion.ucl.ac.uk/spm< / a>
Windows MicrosoftAny
MatlabMathworksMatlab الإصدار 7.0 ، 7.3http://www.mathworks.com/< / a>
JMPSASالإصدار 5http://www.jmp.com/< / a>
GE معهد

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Moeller, J. R., Strother, S. C. A regional covariance approach to the analysis of functional patterns in positron emission tomographic data. J. Cereb. Blood Flow Metab. 11 (2), 121-135 (1991).
  2. Alexander, G. E., Moeller, J. R. Application of the scaled subprofile model to functional imaging in neuropsychiatric disorders: A principal component approach to modeling brain function in disease. Hum. Brain Mapp. 2, 1-16 (1994).
  3. Habeck, C. G. Basics of multivariate analysis in neuroimaging data. J. Vis. Exp. (41), e1988(2010).
  4. Moeller, J. R., Strother, S. C., Sidtis, J. J., Rottenberg, D. A. Scaled subprofile model: a statistical approach to the analysis of functional patterns in positron emission tomographic data. J. Cereb. Blood Flow Metab. 7 (5), 649-658 (1987).
  5. Spetsieris, P. G., Eidelberg, D. Scaled subprofile modeling of resting state imaging data in Parkinson's disease: methodological issues. Neuroimage. 54 (4), 2899-2914 (2011).
  6. Dhawan, V., Tang, C. C., Ma, Y., Spetsieris, P., Eidelberg, D. Abnormal network topographies and changes in global activity: Absence of a causal relationship. Neuroimage. 63 (4), 1827-1832 (2012).
  7. Eidelberg, D. Metabolic brain networks in neurodegenerative disorders: a functional imaging approach. Trends Neurosci. 32 (10), 548-557 (2009).
  8. Habeck, C., Foster, N. L., et al. Multivariate and univariate neuroimaging biomarkers of Alzheimer's disease. Neuroimage. 40 (4), 1503-1515 (2008).
  9. Efron, B., Tibshirani, R. An introduction to the bootstrap. , CRC Press, LLC. New York. (1994).
  10. Ma, Y., Tang, C., Spetsieris, P., Dhawan, V., Eidelberg, D. Abnormal metabolic network activity in Parkinson's disease: test-retest reproducibility. J. Cereb. Blood Flow & Metab. 27 (3), 597-605 (2007).
  11. Ma, Y., Eidelberg, D. Functional imaging of cerebral blood flow and glucose metabolism in Parkinson's disease and Huntington's disease. Mol. Imaging Biol. 9 (4), 223-233 (2007).
  12. Tang, C. C., Poston, K. L., et al. Differential diagnosis of parkinsonism: a metabolic imaging study using pattern analysis. Lancet Neurol. 9 (2), 149-158 (2010).
  13. Spetsieris, P. G., Ma, Y., Dhawan, V., Eidelberg, D. Differential diagnosis of parkinsonian syndromes using PCA-based functional imaging features. Neuroimage. 45 (4), 1241-1252 (2009).
  14. Tang, C. C., Poston, K. L., Dhawan, V., Eidelberg, D. Abnormalities in metabolic network activity precede the onset of motor symptoms in Parkinson's disease. J. Neurosci. 30 (3), 1049-1056 (2010).
  15. Mure, H., Hirano, S., et al. Parkinson's disease tremor-related metabolic network: characterization, progression, and treatment effects. Neuroimage. 54 (2), 1244-1253 (2011).
  16. Niethammer, M., Eidelberg, D. Metabolic brain networks in translational neurology: concepts and applications. Ann. Neurol. , (2012).
  17. Petersson, K. M., Nichols, T. E., Poline, J. B. Statistical limitations in functional neuroimaging. I. Non-inferential methods and statistical models. Philos. Trans. R. Soc. Lond. B. Biol. Sci. 354 (1387), 1239-1260 (1999).
  18. Habeck, C., Stern, Y. Multivariate data analysis for neuroimaging data: overview and application to Alzheimer's disease. Cell Biochem. Biophys. 58 (2), 53-67 (2010).
  19. McKeown, M. J., Hansen, L. K., Sejnowsk, T. J. Independent component analysis of functional MRI: what is signal and what is noise. Current Opinion in Neurobiology. 13 (5), 620-629 (2003).
  20. Stone, J. V. Independent component analysis: an introduction. Trends Cogn. Sci. 6 (2), 59-64 (2002).
  21. McIntosh, A. R., Bookstein, F. L., Haxby, J. V., Grady, C. L. Spatial pattern analysis of functional brain images using partial least squares. Neuroimage. 3 (3 Pt. 1), 143-157 (1996).
  22. Habeck, C., Krakauer, J. W., et al. A new approach to spatial covariance modeling of functional brain imaging data: ordinal trend analysis. Neural Comput. 17 (7), 1602-1645 (2005).
  23. Habeck, C., Moeller, J. R. Intrinsic functional-connectivity networks for diagnosis: just beautiful pictures. Brain Connect. 1 (2), 99-103 (2011).
  24. Huang, C., Tang, C., et al. Changes in network activity with the progression of Parkinson's disease. Brain. 130, 1834-1846 (2007).
  25. Feigin, A., Tang, C., et al. Thalamic metabolism and symptom onset in preclinical Huntington's disease. Brain. 130, 2858-2867 (2007).
  26. Poston, K. L., Tang, C. C., et al. Network correlates of disease severity in multiple system atrophy. Neurology. 78 (16), 1237-1244 (2012).
  27. Biswal, B., Yetkin, F. Z., Haughton, V. M., Hyde, J. S. Functional connectivity in the motor cortex of resting human brain using echo-planar MRI. Magnetic Resonance in Medicine: Official Journal of the Society of Magnetic Resonance in Medicine / Society of Magnetic Resonance in Medicine. 34 (4), 537-541 (1995).
  28. Greicius, M. D., Krasnow, B., Reiss, A. L., Menon, V. Functional connectivity in the resting brain: a network analysis of the default mode hypothesis. Proceedings of the National Academy of Sciences of the United States of America. 100 (1), 253-258 (2003).
  29. Friston, K. J., Frith, C. D., Liddle, P. F., Frackowiak, R. S. Functional connectivity: the principal component analysis of large (PET) data sets. J. Cereb. Blood Flow Metab. 13, 5-14 (1993).
  30. Strother, S. C., Kanno, I., Rottenberg, D. A. Commentary and opinion: I. Principal component analysis, variance partitioning, and "functional connectivity". Journal of Cerebral Blood Flow and Metabolism: Official Journal of the International Society of Cerebral Blood Flow and Metabolism. 15 (3), 353-360 (1995).
  31. Ekstrom, A. How and when the fMRI BOLD signal relates to underlying neural activity: the danger in dissociation. Brain Research Reviews. 62 (2), 233-244 (2010).
  32. Logothetis, N. K. What we can do and what we cannot do with fMRI. Nature. 453 (7197), 869-878 (2008).
  33. Lin, T. P., Carbon, M., et al. Metabolic correlates of subthalamic nucleus activity in Parkinson's disease. Brain. 131 (Pt. 5), 1373-1380 (2008).
  34. Hirano, S., Asanuma, K., et al. Dissociation of metabolic and neurovascular responses to levodopa in the treatment of Parkinson's disease. J. Neurosci. 28 (16), 4201-4209 (2008).
  35. Feigin, A., Antonini, A., et al. Tc-99m ethylene cysteinate dimer SPECT in the differential diagnosis of parkinsonism. Mov. Disord. 17 (6), 1265-1270 (2002).
  36. Eckert, T., Van Laere, K., et al. Quantification of Parkinson's disease-related network expression with ECD SPECT. Eur. J. Nucl. Med. Mol. Imaging. 34 (4), 496-501 (2007).
  37. Ma, Y., Huang, C., et al. Parkinson's disease spatial covariance pattern: noninvasive quantification with perfusion MRI. J. Cereb. Blood Flow Metab. 30 (3), 505-509 (2010).
  38. Melzer, T. R., Watts, R., et al. Arterial spin labelling reveals an abnormal cerebral perfusion pattern in Parkinson's disease. Brain. 134 (Pt. 3), 845-855 (2011).
  39. Skidmore, F., Spetsieris, P., et al. Diagnosis of Parkinson's disease using resting state fMRI. 15th International congress of Parkinson's disease and movement disorders, , LB22(2011).
  40. Peng, S., Wu, T., et al. A comparison study of Parkinson's disease-related patterns between FDG PET and fMRI at rest state. Neuroimage. 61, Suppl 1. 5610(2012).
  41. Brickman, A. M., Habeck, C., Zarahn, E., Flynn, J., Stern, Y. Structural MRI covariance patterns associated with normal aging and neuropsychological functioning. Neurobiol. Aging. 28 (2), 284-295 (2007).
  42. Bergfield, K. L., Hanson, K. D., et al. Age-related networks of regional covariance in MRI gray matter: reproducible multivariate patterns in healthy aging. Neuroimage. 49 (2), 1750-1759 (2010).
  43. Steffener, J., Brickman, A. M., Habeck, C. G., Salthouse, T. A. Cerebral blood flow and gray matter volume covariance patterns of cognition in aging. Human Brain Mapping. , (2012).
  44. Cangelosi, R., Goriely, A. Component retention in principal component analysis with application to cDNA microarray data. Biol. Direct. 2, 2(2007).
  45. Akaike, H. A new look at the statistical model identification. IEEE Transactions on Automatic Control. 19 (6), 716-723 (1974).
  46. Eidelberg, D., Moeller, J. R., et al. Assessment of disease severity in parkinsonism with fluorine-18-fluorodeoxyglucose and PET. J. Nucl. Med. 36 (3), 378-383 (1995).
  47. Ma, Y., Tang, C., Moeller, J. R., Eidelberg, D. Abnormal regional brain function in Parkinson's disease: truth or fiction. Neuroimage. 45 (2), 260-266 (2009).
  48. Habeck, C., Steffener, J., Rakitin, B., Stern, Y. Can the default-mode network be described with one spatial-covariance network. Brain Res. 1468, 38-51 (2012).
  49. Joliffe, I. T. Principal Components Analysis. Springer Series in Statistics. , 2nd edition, Springer-Verlag. New York. (2002).
  50. Limpert, E., Stahel, W. A., Abbt, M. Log-normal distributions across the sciences: keys and clues. BioScience. 51 (5), 341-352 (2001).
  51. Huang, C., Mattis, P., et al. Metabolic abnormalities associated with mild cognitive impairment in Parkinson disease. Neurology. 70 (16 Pt. 2), 1470-1477 (2008).
  52. Mattis, P. J., Tang, C. C., Ma, Y., Dhawan, V., Eidelberg, D. Network correlates of the cognitive response to levodopa in Parkinson disease. Neurology. 77 (9), 858-865 (2011).
  53. Feigin, A., Kaplitt, M. G., et al. Modulation of metabolic brain networks after subthalamic gene therapy for Parkinson's disease. Proc. Natl. Acad. Sci. U.S.A. 104 (49), 19559-19564 (2007).
  54. Mure, H., Tang, C. C., et al. Improved sequence learning with subthalamic nucleus deep brain stimulation: evidence for treatment-specific network modulation. The Journal of Neuroscience: The Official Journal of the Society for Neuroscience. 32 (8), 2804-2813 (2012).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Scaled Subprofile ModelPrincipal Component AnalysisSpatial Covariance PatternsDisease related BiomarkersNeuroimaging Data AnalysisVoxel by voxel CovarianceLogistic Regression AnalysisBootstrap ResamplingForward ValidationParkinson Disease

Related Articles