Name: 多元分析的基础，在影像学资料 (视频) | JoVE Journal
Uploaded: 2010-07-24T17:00:00.000+00:00
Duration: 6 min 35 s
Description: 学习多元分析方法在神经影像学中的应用，使用主成分分析和线性判别分析处理FDG PET扫描数据。该方法可提高阿尔茨海默病诊断准确性，并在独立数据集中实现更好的泛化性能。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

作者感谢美国国立卫生研究院（NIH）基金的资助：
NIH/NIBIB 5R01EB006204-03 多变量神经影像分析方法
NIH/NIA 5R01AG026114-02 使用动脉自旋标记 MRI 与协方差分析进行早期阿尔茨海默病检测
ADNI： 影像数据由阿尔茨海默病神经影像倡议（Alzheimer's Disease Neuroimaging Initiative, ADNI）（美国国立卫生研究院 NIH U01AG024904）提供。本项目的数据收集与共享由阿尔茨海默病神经影像倡议（ADNI）（美国国立卫生研究院资助号 U01 AG024904）资助。ADNI 由美国国立衰老研究所、美国国立生物医学影像与生物工程研究所，以及以下机构的慷慨捐助共同资助：Abbott、AstraZeneca AB、Bayer Schering Pharma AG、Bristol-Myers Squibb、Eisai Global Clinical Development、Elan Corporation、Genentech、GE Healthcare、GlaxoSmithKline、Innogenetics、Johnson and Johnson、Eli Lilly and Co.、Medpace, Inc.、Merck and Co., Inc.、Novartis AG、Pfizer Inc、F. Hoffman-La Roche、Schering-Plough、Synarc, Inc. 和 Wyeth，以及非营利合作伙伴阿尔茨海默病协会（Alzheimer's Association）和阿尔茨海默病药物发现基金会（Alzheimer's Drug Discovery Foundation），并有美国食品药品监督管理局（U.S. Food and Drug Administration）参与。ADNI 的私营部门捐助由美国国立卫生研究院基金会（Foundation for the National Institutes of Health）负责协调（<a href="http://www.fnih.org">http://www.fnih.org</a>）。项目承担机构为北加州研究院与教育中心（Northern California Institute for Research and Education），研究由加州大学圣地亚哥分校的阿尔茨海默病合作研究组（Alzheimer's Disease Cooperative Study）协调。ADNI 数据由加州大学洛杉矶分校神经影像实验室（Laboratory for Neuro Imaging）分发。本研究还获得了美国国立卫生研究院资助 P30 AG010129、K01 AG030514 以及达纳基金会（Dana Foundation）的支持。

<ol> 
 <li>为了对多变量分析进行概念性概述，我们可以设想一个非常简单的情景：一个包含50名人类受试者的假设数据集，其中仅测量了大脑中的三个区域，这些区域在图1中表示为体素（=三维像素）。（在此插入图1，图注作为旁白阅读。）</li> 
 <li>多变量分析的总体目标是识别数据中方差的主要来源，然后基于这些方差来源描述数据中感兴趣的主要效应。图2展示了一个简化的示例。（在此插入图2，图注作为旁白阅读。）</li> 
 <li>我们现在将单变量和多变量分析均应用于一个临床数据集。我们从阿尔茨海默病神经影像倡议（Alzheimer's Disease Neuroimaging Initiative）网站（http://www.loni.ucla.edu/ADNI/）下载了95名早期阿尔茨海默病患者和102名年龄匹配的健康对照者的FDG-PET静息态扫描数据。我们随机选取了患者和对照者各20次扫描，并将其指定为推导样本。其余的75次和82次扫描分别构成我们的验证样本。单变量和多变量的阿尔茨海默病（AD）标志物将在推导样本中生成，并在验证样本中测试其诊断效能。</li> 
 <li>对于单变量标志物，我们在推导样本中将20例AD患者的扫描与20例对照者的扫描进行对比，通过T检验找出AD患者PET信号下降最显著的脑区位置。为了测试该区域的诊断效能，我们在验证样本中检查该位置的数据，并将PET信号按疾病状态作图。</li> 
 <li>对于多变量标志物，我们首先在推导样本中共40次扫描上进行主成分分析（PCA），然后从前5个主成分构建一个协方差模式，其受试者缩放因子在AD患者与健康对照者之间表现出最大的均值差异。（详细方法可参见以下代表性文献2。）从推导样本中获得的诊断性协方差模式随后被前瞻性地应用于验证样本。所得的受试者缩放因子按疾病状态作图。</li> 
 <li>为了更全面地比较第4步和第5步中的单变量与多变量方法，我们进行了一次“分样本”模拟，对重采样数据重复上述两个步骤共1,000次，每次均重新生成一个20/20的推导样本和一个75/82的验证样本（分别对应AD患者和健康对照者）。从推导样本中计算单变量和多变量疾病标志物，并设定决策阈值，使得最多仅有1名健康对照者被误分类为AD（=特异性95%）。随后，将带有特定决策阈值的疾病标志物前瞻性地应用于验证样本。记录每次重采样迭代中验证样本的分类错误率。</li> 
</ol> 代表性结果 单变量性能 结果详见图3。阿尔茨海默病相关的最大FDG代谢减低区域位于颞上回，即Brodmann 38区。ROC曲线下面积达到AUC=0.90。该对比在复制样本中的泛化效果较好，ROC曲线下面积为AUC=0.84。 多变量性能 结果详见图4。在小脑区域发现具有正向载荷的区域，提示在疾病状态下信号相对保留；而在顶颞区、额叶区域以及后扣带 gyrus 则发现相关信号丢失。在衍生样本和复制样本中，ROC曲线下面积分别为0.96和0.88，略优于单变量标志物。 分样本模拟 结果详见图5。该图显示，与单变量标志物相比，多变量标志物能更好地复现诊断性能。多变量标志物的平均总错误率为0.203，而单变量标志物的平均总错误率为0.307。 <img src="/files/ftp_upload/1988/1988fig1.jpg" alt="单变量与多变量分析；三维散点图；统计比较；体素数据可视化。" data-altupdatedat="1788235205000" data-alt="图1"> 图1. 该简图描述了单变量与多变量分析策略之间的差异：本图展示了一个假设的三维数据集。左侧显示所绘制的三个变量之间无相关性；而右侧则显示出一个主要的方差来源，表明三个体素之间存在正相关关系。如果仅基于体素逐个比较平均值的单变量分析，则无法区分这两种情况。相比之下，多变量分析会在构建神经激活模式之前，首先识别出数据中的主要方差来源（红色箭头所示）。 <img src="/files/ftp_upload/1988/1988fig2.jpg" alt="多变量分析方程 Y(s,x)=ssf(s)v(x)+ε(s,x)，图示及脑部 MRI 示意图。" data-altupdatedat="1788235205000" data-alt="图 2"> 图 2. 本幻灯片以简化的形式展示了神经影像数据中任何多变量分析的基本成果。数据阵列 Y(s,x) 依赖于受试者索引 s 和体素索引 x（x 表示体素在大脑中的位置），该阵列被分解为若干项之和。第一项是仅依赖于受试者的因子得分 ssf(s) 与仅依赖于体素的协方差模式 v(x) 的乘积；第二项是无法由协方差模式解释的激活信号，由受试者和体素均相关的噪声项 ε(s,x) 表示。方程下方的两个图示分别举例说明了受试者缩放因子和协方差模式。每位参与者都表现出相同的协方差模式，但程度不同，如受试者因子得分所示。协方差模式及其在受试者中的表达提供了一种简洁的总结方式，避免了分别追踪每个体素行为的复杂性。当受试者缩放因子的数值增大时，协方差模式中蓝色标记区域的相关激活程度降低，而红色标记区域的相关激活则同步增强。受试者因子得分可与外部感兴趣的变量（如受试者年龄或认知任务中的行为表现）进行相关性分析，且该相关性分析无需进行多重比较校正。 此类分解方法有多种，但最常用的是主成分分析（Principal Components Analysis, PCA）。这也是我们的首选技术。需要注意的是，可以通过将协方差模式投影到任意具有相同维度的数据集中来获得被试的缩放因子，而不仅限于生成该协方差模式的原始数据集。这使得协方差模式适用于检验在某一数据集中观察到的脑-行为关系是否能在另一个数据集中得到重复验证。 <img src="/files/ftp_upload/1988/1988fig3.jpg" alt="脑部MRI显示单变量标记物，阿尔茨海默病与健康对照的散点图，验证结果显示显著差异。" data-altupdatedat="1788235205000" data-alt="图3"> 图3. 本图展示了单变量分析的结果。在左下角图中，绘制了衍生样本中显示阿尔茨海默病相关最显著代谢减低区域的FDG信号值，其MNI坐标为X=2 mm，Y= -48 mm，Z= 30 mm（楔前叶/扣带后回，Brodmann 31区）。右下角图显示了验证样本中同一位置的FDG信号值。可以看出，在验证样本中，阿尔茨海默病患者与对照组之间的FDG信号差异虽然整体仍具显著性，但组间重叠增多，差异程度有所减小。 <img src="/files/ftp_upload/1988/1988fig4.jpg" alt="脑部MRI结合基于体素的形态学分析、散点图、阿尔茨海默病与对照组比较、分析结果" data-altupdatedat="1788235205000" data-alt="图4"> 图4. 本图展示了多变量分析的结果。在上方图中，我们显示了多个轴向切片，分别以红色和蓝色标出协方差模式中具有显著正权重和负权重的区域（p&lt;0.001）。请注意，每幅扫描图像均已按其全局平均值进行标准化处理，因此红蓝颜色反映的是随着疾病严重程度变化，PET信号的相对增强或减弱，而非绝对变化。因此，红色区域提示在疾病背景下信号的相对保留，而蓝色区域则表示因疾病导致的信号丢失。红色区域主要位于小脑，而蓝色区域则出现在后扣带回、顶颞区及额叶区域。左下图：显示了在推导样本中，阿尔茨海默病相关协方差模式的受试者因子得分。阿尔茨海默病患者表现出更高的因子得分。右下图：展示了将阿尔茨海默病相关协方差模式前瞻性地应用于复制样本后所得的受试者因子得分。可以看出，在复制样本中诊断对比度略有下降，重叠程度有所增加，但相较于单变量分析，其诊断效能的泛化能力仍明显更优。 <img src="/files/ftp_upload/1988/1988fig5.jpg" alt="复制错误率比较图，单变量与多变量分析，数据点，平均错误数。" data-altupdatedat="1788235205000" data-alt="图 5"> 图 5. 本图展示了1,000次分样本模拟的结果。列出了复制样本中单变量和多变量诊断错误率的均值及标准差。可以看出，尽管多变量标志物的性能变异性略高，但其泛化能力明显优于单变量标志物。

<ol><li>Moeller, J. R., Strother, S. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+regional+covariance+approach+to+the+analysis+of+functional+patterns+in+positron+emission+tomographic+data%5BTitle%5D)+AND+%22J+Cereb+Blood+Flow+Metab%22%5BJournal%5D)">A regional covariance approach to the analysis of functional patterns in positron emission tomographic data.</a> J Cereb Blood Flow Metab. 11 (2), A121-A121 (1991).</li>
<li>Scarmeas, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Covariance+PET+patterns+in+early+Alzheimer%27s+disease+and+subjects+with+cognitive+impairment+but+no+dementia%3A+utility+in+group+discrimination+and+correlations+with+functional+performance%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Covariance PET patterns in early Alzheimer's disease and subjects with cognitive impairment but no dementia: utility in group discrimination and correlations with functional performance.</a> Neuroimage. 23 (1), 35-35 (2004).</li>
<li>Siedlecki, K. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Examining+the+multifactorial+nature+of+cognitive+aging+with+covariance+analysis+of+positron+emission+tomography+data%5BTitle%5D)+AND+%22J+Int+Neuropsychol+Soc%22%5BJournal%5D)">Examining the multifactorial nature of cognitive aging with covariance analysis of positron emission tomography data.</a> J Int Neuropsychol Soc. 15 (6), 973-973 (2009).</li>
<li>Burnham, K. P., Anderson, D. R. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aBurnham%2C+KP+%22Model+selection+and+multimodel+inference+a+practical+information-theoretic+approach%22">Model selection and multimodel inference a practical information-theoretic approach</a>. , Springer. New York. Volume xxvi (2002).</li>
<li>Moeller, J. R., Strother, S. C., Sidtis, J. J., Rottenberg, D. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Scaled+subprofile+model%3A+a+statistical+approach+to+the+analysis+of+functional+patterns+in+positron+emission+tomographic+data%5BTitle%5D)+AND+%22J+Cereb+Blood+Flow+Metab%22%5BJournal%5D)">Scaled subprofile model: a statistical approach to the analysis of functional patterns in positron emission tomographic data.</a> J Cereb Blood Flow Metab. 7 (5), 649-649 (1987).</li>
<li>Habeck, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multivariate+and+univariate+neuroimaging+biomarkers+of+Alzheimer%27s+disease%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Multivariate and univariate neuroimaging biomarkers of Alzheimer's disease.</a> Neuroimage. 40 (4), 1503-1503 (2008).</li>
<li>Habeck, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+new+approach+to+spatial+covariance+modeling+of+functional+brain+imaging+data%3A+ordinal+trend+analysis%5BTitle%5D)+AND+%22Neural+Comput%22%5BJournal%5D)">A new approach to spatial covariance modeling of functional brain imaging data: ordinal trend analysis.</a> Neural Comput. 17 (7), 1602-1602 (2005).</li>
<li>McIntosh, A. R., Bookstein, F. L., Haxby, J. V., Grady, C. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Spatial+pattern+analysis+of+functional+brain+images+using+partial+least+squares%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Spatial pattern analysis of functional brain images using partial least squares.</a> Neuroimage. 3 Pt 1, 143-143 (1996).</li>
<li>McIntosh, A. R., Lobaugh, N. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Partial+least+squares+analysis+of+neuroimaging+data%3A+applications+and+advances%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Partial least squares analysis of neuroimaging data: applications and advances.</a> Neuroimage. 23, Suppl 1. S250-S250 (2004).</li>
</ol>

未声明任何利益冲突。

我们希望让读者对多变量分析的基本原理有一个初步了解；有兴趣的读者可访问我们的网站以获取更多信息。在本研究的多变量分析中，我们对某些参数的选择可能引发较大争议。为避免分散对主要问题的讨论，本文未深入探讨这些争议。首先，我们选择前6个主成分来构建与阿尔茨海默病（AD）相关的协方差模式。这一选择具有一定的理论依据，但本文未予详述4。然而，具体选择6个主成分对我们的核心论点并非关键：在2至20个主成分的范围内任意选择，多变量标志物在分样本模拟中的泛化性能仍保持优越。研究结果对于推导样本和复制样本中受试者数量的选择同样具有稳健性。我们在复制样本中为两组各选择了20名受试者，但这完全是出于数学计算上的便利，以加快运算速度。即使增加推导样本中的受试者数量，两种技术相对优势的结论仍会保持一致。 其次，我们仅介绍了最基础的多元分析方法。实际上，还可以采用许多更为复杂的技术，例如借鉴机器学习文献中的方法、在主成分分析（PCA）之前进行线性和非线性变换，以及其他多种改进策略，这些都有可能进一步提升模型的泛化性能。为简洁起见，本文未涉及这些可能性。

神经影像数据中多变量分析的基础

Basics of Multivariate Analysis in Neuroimaging Data

神经影像数据的多变量分析技术近年来受到越来越多的关注，因为这些技术具有许多诱人的特点，而这些特点难以通过更为常用的单变量、体素级技术轻松实现。1,5,6,7,8,9. 多变量方法评估的是大脑不同区域激活之间的相关性/协方差，而不是以体素为单位逐一体检。因此，其结果更容易被解释为神经网络的特征性模式。相比之下，单变量方法无法直接探讨大脑区域间的相互关联。与单变量技术相比，多变量方法在统计效能上也可能更具优势，因为单变量方法必须对体素级别的多重比较进行极为严格的校正。此外，多变量技术也更适用于将某一数据集的分析结果前瞻性地应用于全新的数据集。因此，多变量方法不仅能够像单变量方法一样提供有关行为差异和相关性的信息，还可能具备更高的统计效能和更优的可重复性验证能力。然而，与这些优势相对的是，多变量方法的使用门槛较高，限制了其在科研群体中的广泛应用。对于正在熟悉多变量分析技术的神经科学家而言，初次接触该领域时可能会面对种类繁多的方法，这些方法尽管在算法上相似，但通常由具有数学背景的研究人员以不同的侧重点加以呈现，令人困惑。我们认为，多变量分析技术具有足够的潜力，值得更广泛的传播与推广。研究人员应当能够以知情且便捷的方式使用这些技术。本文旨在为初学者提供一个多变量技术的循序渐进式介绍。首先进行概念性讲解，随后以阿尔茨海默病神经影像倡议（Alzheimer s Disease Neuroimaging Initiative, ADNI）的一项诊断数据集进行极为简单的应用示例，清晰地展示了多变量方法的优越性能。

本文介绍了多变量分析的基本原理，并将其与更常用的基于体素的单变量分析进行对比。这两种分析方法均应用于一个临床神经科学数据集。补充的半分模拟结果显示，多变量分析结果在独立数据集中的可重复性更优。

神经影像数据的多变量分析技术因其具备多种引人注目的优势而日益受到关注，这些优势是传统方法所无法实现的……

本视频演示并比较了用于神经影像数据的多变量与单变量分析技术，并将其应用于阿尔茨海默病的诊断。首先，通过单变量分析对比20名早期阿尔茨海默病患者与20名年龄匹配的健康对照者的脑部活动。采用SPM方法识别阿尔茨海默病患者相对于对照组在FDG PET信号中表现出最显著相对缺陷的脑区。对于多变量分析，采用主成分分析结合线性判别分析来推导标志物结果，表明多变量标志物相较于单变量标志物具有更优的诊断性能，并在独立数据上表现出更强的泛化能力。大家好，我是来自哥伦比亚大学医学中心神经科 TA 研究所的 Christian Halbeck。今天我们将向您展示一个神经影像数据多变量分析的示例。我们在实验室中采用此方法研究如何从神经影像数据中最佳地检测早期阿尔茨海默病。现在让我们开始。首先对神经影像数据的多变量分析进行概念性概述。多变量方法评估的是大脑不同区域之间活动的相关性，而不是像单变量分析那样逐体素进行分析。例如，我们可以设想一个包含50名人类被试的简单假设数据集，其中仅测量了大脑中的三个区域，以体素表示。多变量分析的主要目标是识别数据中主要的变异来源，然后描述数据中感兴趣的主效应。就这些变异来源而言，单变量分析不考虑体素之间的相关性。无论体素之间是否存在相关性，单变量分析都会以相同的方式处理此处显示的两个图示。在本视频中，将基于一个临床数据集演示单变量和多变量分析的流程，该数据集包含95例早期阿尔茨海默病（AD）患者和102例健康对照者的FTG PET静息态扫描图像。在所有脑图像中，随机选取了20例患者和20例对照者作为衍生样本。其余的75次和82次扫描分别构成复制样本。现在我们来看如何对该数据集应用单变量和多变量分析。首先采用单变量方法，使用SPM软件获取单变量阿尔茨海默病标志物。为了在衍生样本中对比20次阿尔茨海默病扫描与20次对照扫描，选择阿尔茨海默病患者相较于对照组正电子发射断层扫描（PET）信号下降最显著的脑区位置。使用 T 检验评估该脑区的诊断效能，检验复制样本中相同脑区的数据，并绘制其 PET 信号随疾病状态的变化图。接下来，获取多变量标志物。可在线获取一个定制的 MATLAB 工具箱，用于通过该定制 MATLAB 工具箱进行多变量分析。对衍生样本中合并的40次扫描进行主成分分析（PCA）。然后根据前六个主成分构建Covance模式，这些主成分的受试者评分在80名患者与健康对照之间显示出最大的平均差异。一旦从衍生样本中获得诊断性Covance模式，便将其应用于复制样本，绘制所得受试者评分随疾病状态变化的图形，并比较两个样本中的表现。为了对单变量与多变量方法进行更全面的比较，执行分样本模拟，并在重采样的数据上重复前述步骤1000次，每次均重新生成一个20例患者与20例健康对照的推导样本，以及一个包含80例患者与健康对照、比例为75比82的复制样本。分样本模拟在方法学研究中较为常见，因其可通过记录推导样本中所得生物标志物在复制样本中的预测误差，从而简便地检验其性能。从推导样本中计算单变量与多变量疾病标志物，并设定决策阈值，使得至多一名健康对照被误判为阿尔茨海默病（AD），即特异性达到95%。随后，将具有特定决策阈值的疾病标志物应用于复制样本，并记录在所有重采样迭代过程中复制样本的分类错误率。接下来，我们将考察单变量与多变量分析以及分样本模拟的结果。对于单变量区域分析，与广告相关的最大FDG减低区域位于楔前叶Brodmann 31区。曲线下面积达到0.90。该对比在复制样本中的泛化效果相当理想，多元分析的 ROC 曲线下面积为 0.84。具有正向载荷的脑区提示在疾病背景下信号相对保留，这些区域位于小脑；而信号丢失则与颞叶、额叶及后扣带 gyrus 相关。在推导样本和复制样本中，ROC 曲线下面积分别为 0.96 和 0.88，均略优于单变量标志物。从 1000 次分样本模拟中记录的总分类错误率可以看出，多元标志物在诊断效能的复制方面优于单变量标志物。我们刚刚向您展示了如何将多元分析应用于阿尔茨海默病的 Ft.G PET 扫描诊断问题。所有数据均可从阿尔茨海默病神经影像学倡议（Alzheimer's Disease Neuroimaging Initiative）的网站公开获取。在对真实数据执行此操作时，需牢记此前已应用常规的质量控制步骤。任何分析都无法对质量差的数据产生奇迹效果。以上就是全部内容。感谢观看，祝您的分析工作顺利。

basics-of-multivariate-analysis-in-neuroimaging-data

Research

科研

JoVE Journal

Neuroscience

神经科学

多元分析的基础，在影像学资料

经典的多变量模式分析能够根据相应皮层中的神经活动来预测受试者所感知的感觉刺激（例如，根据视觉皮层的活动预测视觉刺激）。在此，我们采用跨模态的模式分析方法，分别从听觉皮层和体感皮层的活动来预测暗示声音和触觉的视觉刺激。...

跨模态多变量模式分析

我们介绍了一种利用磁共振成像（MRI）同时分析大脑功能与结构的新方法。我们采用高分辨率扩散加权成像及白质纤维束示踪技术来评估大脑结构。与标准的结构性MRI不同，这些技术使我们能够直接将解剖连接性与脑网络的功能特性关联起来。...

联合分析脑结构与功能：采用fMRI与扩散加权成像

包括主成分分析（PCA）在内的多变量技术已被用于识别功能脑成像中区域变化的特征模式。我们开发了一种算法，用于识别神经退行性疾病诊断、疾病进展评估以及患者群体治疗效果客观评价中的可重复性网络生物标志物。...

利用神经影像数据识别与疾病相关的空间协变模式

信息连接性用于衡量不同脑区之间多体素信息时间序列的对应关系。通过提取各脑区的多体素模式可分辨性时间序列并进行比较，揭示出在典型功能连接分析方法中无法识别的脑网络。...

利用信息连接性测量fMRI多体素信息随时间的同步出现

采用基于种子点的功能连接MRI（fcMRI）分析颞叶癫痫（TLE）患者脑部静息状态下的默认模式网络（DMN）。...

利用功能连接MRI对颞叶癫痫患者默认模式网络进行网络分析

标准脑电图分析技术对神经系统功能的洞察有限。构建皮层连接性的统计模型能够更深入地研究潜在的网络动态。改进的功能评估为神经系统疾病的诊断、预后判断和结局预测开辟了新的可能性。...

使用非侵入性脑电图进行皮层连接性的统计建模

这是一项3T磁共振成像研究，旨在探讨大麻诱发的精神病患者与非精神病性慢性大麻使用者之间灰质体积的差异。...

伴有或不伴有精神病的大麻使用者的大脑形态学：一项初步的MRI研究

尽管脉络丛在大脑中具有关键作用，但由于缺乏可靠的自动化分割工具，针对该结构的神经影像学研究仍然十分有限。本方案旨在实现脉络丛的金标准手动分割，为未来的神经影像学研究提供依据。...

使用脑部 MRI 手动分割人类脉络丛

我们介绍了一种利用功能磁共振成像探索认知情绪调节任务（即认知重评）神经相关机制的实验方案。该方案曾用于强迫症患者和健康对照者，但也可应用于其他临床样本。...

利用基于任务的功能性磁共振成像探讨强迫症患者认知重评的神经相关性

本文描述了一种利用微泡和超声在小鼠中广泛开放血脑屏障的技术。通过该技术，可将锰递送至小鼠脑内。由于锰是一种可在去极化神经元中蓄积的磁共振成像（MRI）对比剂，该方法可实现对神经元活动的成像。...

利用超声波血脑屏障破坏结合锰增强磁共振成像进行功能性神经影像学研究

学习多元分析方法在神经影像学中的应用，使用主成分分析和线性判别分析处理FDG PET扫描数据。该方法可提高阿尔茨海默病诊断准确性，并在独立数据集中实现更好的泛化性能。

神经影像数据中多变量分析的基础

探索更多视频