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

الهدف العام من هذا الإجراء هو تحديد المؤشرات الحيوية لتصوير نمط كوفانس المميز لاضطرابات الدماغ الوظيفية العصبية. يتم تحقيق ذلك عن طريق الحصول أولا على فحوصات دماغية أحادية الحجم لمجموعة من المرضى الذين تم تشخيصهم مسبقا سريريا ومجموعة من الضوابط العادية المتطابقة مع العمر ويفضل أن يكون الجنس باستخدام طرائق مثل PET أو A-S-L-F-M-R-I أو V-B-M-M-R-I. الخطوة الثانية هي تطبيع الصور مكانيا إلى قالب تجسيمي مشترك.

بعد ذلك ، تقنية متعددة المتغيرات. يتم تنفيذ نموذج الملف الجانبي الفرعي المتدرج لتحليل المكونات الأساسية أو S-S-M-P-C-A ويتم فحص مكونات مبدأ الإخراج أو أجهزة الكمبيوتر ودرجات الموضوع المقابلة لها. تتمثل الخطوة الأخيرة في تحديد أفضل جهاز كمبيوتر أو مجموعة من أجهزة الكمبيوتر التي تحدد نمط Covance الذي يميز المرضى عن الضوابط.

في النهاية ، يمكن استخدام نمط Covance لتسجيل الأشخاص المحتملين الفرديين بناء على تعبيرهم عن المرض. تتمثل ميزة هذه الطريقة بالنسبة لبعض التقنيات المقارنة الفردية الشائعة في القدرة على تحديد وقياس نشاط شبكات الدماغ. هذه هي أنماط Covance الإقليمية الموزعة في الدماغ.

الأهم من ذلك ، أنه يسمح للمرء بقياس نشاط شبكة معينة في الدماغ وتلخيصه برقم واحد يعد سمة رئيسية للتحقيق السريري. يمكن أن تساعد هذه الطريقة في الإجابة على الأسئلة الرئيسية في مجال علم الأعصاب ، مثل تحديد شبكات التمثيل الغذائي للأمراض العصبية المختلفة التي تظهر أعراضا متشابهة في المراحل المبكرة من تطور المرض. تمتد الآثار المترتبة على هذه التقنية نحو كل من التشخيص التفريقي وتخطيط العلاج لأمراض مثل مرض باركنسون لأنه يمكن الحصول على درجة موضوع واحدة ، والتي يمكن تطبيقها بعد ذلك على التشخيص التفريقي وتخطيط العلاج.

على الرغم من أن هذه الطريقة يمكن أن توفر نظرة ثاقبة لمتلازمات باركنسون. يمكن تطبيقه أيضا على الاضطرابات التنكسية العصبية الأخرى مثل مرض الصيد ومرض الزهايمر. بشكل عام ، سيكافح الأفراد الجدد في هذه الطريقة مع مفاهيم univa المسبقة التي تعتبر آثار المرض موضعية في مجموعات إقليمية معزولة.

خطرت للدكتور جيمس مولر فكرة هذه الطريقة لأول مرة عندما طبق هذا المفهوم لدراسة الخرف لدى مرضى الإيدز. يعد العرض المرئي لهذه الطريقة مهما لفهم العمليات التي ينطوي عليها تحليل الشبكة. ومع ذلك ، ليس من الصعب تعلم الخطوات الفعلية التي ينطوي عليها استخدام برامجنا لأنها مؤتمتة للغاية لدراسة عملية التمثيل الغذائي للدماغ باستخدام التصوير المقطعي بالإصدار البوزيتروني أو التصوير المقطعي بالإصدار البوزيتروني أولا ، قم أولا بإدارة متتبع النويدات المشعة مثل 18 F fluoro ، جلوكوز ديوكسي لكل مريض في مجموعة المرض بعد صيام لا يقل عن 12 ساعة من الأدوية ولكل عنصر تحكم طبيعي.

اترك 45 دقيقة حتى يصل المتتبع إلى التوازن في الأنسجة. ثم افحص كل فرد أثناء الراحة مع فتح عينيه لاشتقاق النمط. قم بفحص عدد متساو من المرضى المتطابقين بين الجنسين و H والضوابط بمجرد اكتمال الفحص.

انقل بيانات الصورة إلى محطة عمل وقم بتحويلها إلى تنسيق مناسب للتحليل. يتطلب برنامج تحليل MATLAB المستند إلى Windows المستخدم هنا التحويل من تنسيقات ge المتقدمة لتحليل الصور أو تنسيقها الأنيق. بعد ذلك ، قم بتطبيع صورة كل موضوع إلى مساحة تجسيمية مشتركة باستخدام حزمة برامج تصوير عصبي قياسية مثل SPM ، بحيث يكون هناك مراسلات فردية لقيم فوكسل بين الأشخاص.

ثم قم بتطبيق قناع المادة الرمادية على الصورة الطبيعية لقصر التحليل على مناطق المادة الرمادية. إذا لم يكن قناع خارجي متاحا، فقم بإنشاء أقنعة موضوع فردية عن طريق استبعاد قيم أقل من حد محدد. النسبة المئوية للقيمة القصوى لكل موضوع واضرب الأقنعة لتحديد مساحة فوكسل مادية دماغية رمادية مركبة للتحليل.

من أجل إجراء تحليل مكون لنموذج SubProfile متعدد المتغيرات أو S-S-M-P-C-A ، استخدم VP للمسح الروتيني الداخلي المتاح على موقع Feinstein لعلم الأعصاب. متاح أيضا كصندوق أدوات رسم خرائط معلمات إحصائية ، SSM PCA في قائمة VP للمسح الضوئي ، حدد الإحصائيات. ثم SSM ، ثم على أساس voxel ، ثم PCA.

بعد ذلك ، تحقق من عناصر التحكم المحددة في القائمة واختر صور التحكم التي تم تسبيعها مسبقا. ثم حدد ملفات الصور لإدخال صور المريض الطبيعية. حدد قناعا أو عتبة مناسبة وتحقق من الخيارات الأخرى في القائمة.

بعد ذلك ، اضغط على العملية وأدخل اسما للمخرجات التجريبية. انتظر حتى يعرض العرض صور المكونات الأساسية ذات الأهمية في ملفات الدرجات المقابلة لها للبرامج الأخرى. قم بمحاكاة الخوارزمية التي تنفذها العملية الآلية الموضحة للتو.

من أجل تحقيق بيانات القناع الأولى هذه باستخدام قناع صورة صفر واحد متاح لإزالة المناطق غير المرغوب فيها من مساحة voxel مثل المادة البيضاء والبطينين كما هو موضح في خطوة المعالجة المسبقة. بعد ذلك ، قم بتحويل بيانات ثقب الصور المقنعة ثلاثية الأبعاد لكل موضوع إلى متجه صف مستمر واحد عن طريق إلحاق خطوط مسح متسلسلة من مستويات متتالية من مصفوفة بيانات مجموعة بحيث تتوافق بيانات كل موضوع مع صف معين من المصفوفة. ثم يمثل كل عمود فوكسل معينا عبر الموضوعات.

بمجرد تحميل كل موضوع في المصفوفة ، قم بتحويل كل إدخال بيانات إلى شكل لوغاريتمي. ثم قم بتوسيط مصفوفة البيانات عن طريق طرح كل متوسط صف أو متوسط موضوع من عناصر الصف. يمثل متوسط جميع الصفوف المتمركزة مجموعة مميزة لمتوسط صورة السجل أو مصطلح إلى مجموعة أو متوسط ملف تعريف أو GMP.

بعد ذلك ، اطرح وسائل العمود من عناصر عمود المصفوفة المقابلة. يمثل كل صف من المصفوفة ذات المركز المزدوج صورة متبقية تسمى ملف تعريف الموضوع المتبقي أو SRP التي تمثل عناصرها انحرافات عن كل من مجموعة S و voxel V ، مما يعني أن هذا يحدث وفقا للمعادلة الموضحة هنا حيث S-R-P-S-V هو عنصر من مصفوفة SRP المقابلة للموضوع S و voxel. VDSV هي قيمة البيانات الأصلية يعني S هي القيمة المتوسطة للموضوع و GMPV هي القيمة المتوسطة للمجموعة ل voxel V. بعد ذلك ، قم ببناء الموضوع حسب مصفوفة Covance C لمصفوفة بيانات SRP المركبة مزدوجة المركز عن طريق حساب Covance غير الطبيعي بين كل زوج من الصفوف من مصفوفة الملف الشخصي المتبقية للموضوع.

باستخدام هذه المعادلة الموضحة هنا حيث CIJ هو عنصر من عناصر Covance المتماثل ، فإن المصفوفة C و c و RRP IV و CRP JV هي عناصر فوكسل مقابلة لمصفوفة CRP rose INJ التي يتم ضربها وتجميعها على جميع الفوكسل. ثم قم بتطبيق تحليل المكون الأساسي على الموضوع حسب الموضوع مصفوفة Covance C. ستكون النتائج عبارة عن مجموعة من متجهات درجة الموضوع مع قيم egen المرتبطة بها. بعد ذلك ، قم بوزن كل متجه بالضرب في الجذر التربيعي لقيمة egen المقابلة له.

يتم تمثيل مجموعة المتجهات الذاتية للنتيجة بأعمدة المصفوفة S الموضحة هنا. بعد ذلك ، حدد متجهات voxel egen لنفس مجموعة قيم egen عن طريق ضرب مصفوفة متجه النتيجة في تبديل مصفوفة الملف الشخصي المتبقي للموضوع. يؤدي هذا إلى إنشاء مصفوفة P من نمط voxel ، egen المتجهات بترتيب تنازلي لقيم egen وفقا للمعادلة الموضحة هنا حيث P هي مصفوفة متجهات المكون الرئيسي voxel egen.

SRPT هو تبديل مصفوفة SRP و S هي مصفوفة متجه النتيجة ثم تحويل كل متجه إلى صورة مكون أساسي. تعزى كل صورة مكون رئيسي إلى نسبة مئوية من إجمالي التباين المحسوب، أو VAF المقابل للحجم النسبي لقيمة igon الخاصة بها. افحص نتائج تحليل المكونات الأساسية لتحديد الأنماط المرتبطة بالقيم المرتفعة المحسوبة.

يتم تحويل متجهات ودرجات نمط Voxel إلى Z بحيث تمثل قيمها انحرافات معيارية موجبة وسالبة عن القيم المتوسطة. بعد ذلك ، حاول تحديد الانحرافات الإقليمية المرتبطة بالمرض الذي تتم دراسته ثم افحص مخططات مبعثرة للدرجات المقابلة لكل نمط مكون أساسي.

يمكن أيضا إنشاء مخطط اختياري لخصائص تشغيل المستقبل لتحديد نمط خاص بالمرض. تقييم التمايز بين درجات الموضوع بين المرضى والضوابط من خلال فحص قيم P لاختباري T للعينة المقابلة والمساحة تحت قيم المنحنى. يتم تطبيع الناقل التالي ودمج المكونات الأساسية المحددة خطيا لإنتاج نمط واحد متعلق بالمرض.

لتحقيق ذلك ، يتم استخدام وظيفة MATLAB ، GLM fit لتحديد المعاملات بناء على نماذج الانحدار اللوجستية أو غيرها من النماذج المطبقة على درجات الموضوع. بمجرد تحديد نمط العلامة الحيوية ، يمكنك تقييم تعبير النتيجة الخاص به في موضوع محتمل من فحص هذا الفرد ، ويتم تنفيذ هذه العملية بواسطة TPR في القائمة. لتحقيق ذلك ، استخدم حسابا بسيطا لمنتج المتجه النقطي الداخلي لمتجه SRP للموضوع ومتجه نمط GIS.

أخيرا ، قم بالتحقق من صحة العلامة الحيوية للنمط المحتمل الناتج عن طريق إعادة تشكيل التمهيد باستخدام برنامج خارجي والتحقق من صحة مجموعات الموضوعات المستقلة. يتم تسهيل التحقق من الصحة الأمامية باستخدام TPR لتحديد درجات المجموعة المحتملة. تظهر هنا شاشات محورية من خلال أصل الصور المكونة الأربعة الأولى لتحليل SSM ل 10 مرضى من مرض باركنسون تم تشخيصهم سريريا مع 10 ضوابط متطابقة مع العمر والجنس.

تشير الألوان الساخنة إلى زيادات نسبية في نشاط التمثيل الغذائي. ضمن هذا المبدأ ، تشير مساهمة المكون في الملف الشخصي المتبقي العام للموضوع ، بينما تشير الألوان الباردة إلى انخفاض نسبي في التمثيل الغذائي. يحتوي المكون الأساسي الأول على أكبر تباين محسوب أو قيمة VAF وأصغر قيمة P تمثل أهمية عالية وهو الوحيد الذي يمكن اعتباره بمفرده علامة حيوية مستقلة محتملة.

تتضح مناطق التباين المهمة التي تساهم في النمط العام عند عرضها في طرق العرض المتعامدة على خلفية صورة هيكلية للتصوير بالرنين المغناطيسي ، يمكن استخدام مجموعة المكونات الأساسية لمحاولة زيادة الأهمية كما هو الحال مع حالة المكونين الأول والرابع ، حيث عند دمجها تخفض قيمة P مما يشير إلى أهمية أعلى. توضح هذه الرسوم البيانية الرسوم البيانية الشريطية المستقلة والمخططات المبعثرة لموضوع الاشتقاق درجات Z للمكون الأساسي الأول والمكون الأساسي الرابع فقط. يميز المكون الأساسي الأول بشكل كبير المرضى عن الضوابط.

بينما يوضح الرابع اتجاها. يحسن المزيج اللوجستي الخطي للمكون الأساسي الأول والمكون الأساسي الرابع التمييز. كما هو موضح سابقا ، يوضح النمط المركب فصلا مثاليا عند عتبة درجة Z البالغة 0.9.

ويبين الجمع بين المكون الأساسي الثالث زيادة طفيفة في التمييز على الجمع بين واحد وأربعة، ولكن جميع المكونات الأساسية الأربعة لم تحسن التمييز في البيانات بسبب القدرة المبدئية على عدم التمييز. مكون. يتم هنا عرض اثنين ، تقييم الدرجات المستقبلية لأنماط المكون الأساسي الأول والأنماط المجمعة للمكونات الأساسية الأول وأربعة المكونات الأساسية الأول والثالث والرابع والمكونات الأساسية 1 و 2 و 3 و 4 ل 22 من مرضى باركنسون العادية. يبدو أن المساحة الواقعة أسفل قيم المنحنى والحساسية تنخفض لأكثر من مكونين أساسيين مدمجين.

بينما تميل قيم P إلى أن تصبح أقل قوة ، لوحظ تحسن ضئيل للكمبيوتر الشخصي واحد أربعة على الكمبيوتر الشخصي واحد وحده في قيم UC و P. على النقيض من الاختلاف الكبير المتوقع في عينة الاشتقاق. بمجرد الحاجة إلى عمليات المسح من المرضى الذين يعانون من المرض والأشخاص المعنيين بالتحكم لتحديد أنماط المرض الواقعية والصالحة والتحقق من صحتها ، يصبح إجراء مباشرا باستخدام هذه الخوارزمية بعد تحديد أنماط المرض والتحقق من صحتها ، يمكن استخدام طرق أخرى مثل تحليل ارتباط درجات المرضى مع مقاييس سريرية مستقلة للإجابة على أسئلة إضافية.

على سبيل المثال ، ما إذا كان المؤشر الحيوي للتصوير يعكس المظاهر الحركية أو المعرفية للمرض أو ما إذا كانت تعبيرات أنماط المرض يمكن أن تساعد في التمييز بين الحالات المختلفة التي تظهر أعراضا متشابهة في الحالات السريرية التي يصعب تشخيصها. لا تنس أن هذا الإجراء لا يمكن تطبيقه مباشرة على بيانات التصوير بالرنين المغناطيسي الوظيفية للسلاسل الزمنية بسبب التقلبات الديناميكية في الاستجابة وانخفاض نسبة الإشارة إلى الضوضاء المرتبطة بإشارات FMRI.