Name: 鉴定的使用神经影像学数据的与疾病-相关的的空间协方差模式 (视频) | JoVE Journal
Uploaded: 2013-06-26T13:00:00.000+00:00
Duration: 14 min 27 s
Description: 了解如何使用多变量主成分分析技术识别神经退行性疾病的影像学生物标志物。该方法通过分析PET、SPECT等神经影像数据，建立可重复的空间协方差模式，实现患者与对照组的精准区分，为临床诊断和疾病监测提供客观量化指标。

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

本研究由美国国立神经疾病与卒中研究所（National Institute of Neurological Disorders and Stroke）资助，项目编号为P50NS071675（D.E. 获得的费因斯坦医学研究所帕金森病研究莫里斯·K·乌达尔卓越中心资助）。研究内容仅由作者负责，不一定代表美国国立神经疾病与卒中研究所或美国国立卫生研究院的官方观点。资助方未参与研究设计、数据收集、分析与解释、报告撰写，以及决定提交论文发表等过程。

1. 数据收集与预处理
<ol>
 <li>SSM/PCA 方法可应用于从各种来源和成像方式获得的单个体积图像。具体而言，对于现场进行的代谢正电子发射断层扫描（PET）成像，需制备合适的放射性核素示踪剂，例如 [18F]-氟代脱氧葡萄糖（FDG），并给予每位患者。通常要求患者在至少禁食12小时、停用药物后，睁眼静息状态下进行扫描。</li>
 <li>对每位受试者进行扫描，用于个体或群体评估。若需推导成像模式，应扫描数量相等的、性别和年龄相匹配的患者组与对照组。</li>
 <li>将数据传输至工作站，并转换为适用于分析平台的适当格式。我们基于 Windows PC 的 MATLAB 分析软件（scanvp、ssm_pca，<a href="http://www.feinsteinneuroscience.org" target="_blank">www.feinsteinneuroscience.org</a>）需要 ANALYZE 或 nifti 格式的图像（Mayo Clinic，Rochester，MN）。该软件提供转换程序，可将 GE Advance（Milwaukee，WI，USA）扫描仪及其他格式的图像转换为 ANALYZE 格式。</li>
 <li>使用标准神经影像分析软件包（如统计参数映射软件 SPM，<a href="http://www.fil.ion.ucl.ac.uk/spm" target="_blank">http://www.fil.ion.ucl.ac.uk/spm</a>），将每位受试者的图像标准化至通用的立体定向空间（例如 蒙特利尔神经学研究所 [MNI] 空间），以确保受试者间体素值具有一一对应关系（图 2）。后续步骤将描述仅限灰质区域的掩模处理（图 3）以及对数变换方法。</li>
</ol>
2. 执行多变量SSM/PCA
多变量SSM/PCA分析操作（图4）可通过外部软件完成。以下列出的步骤主要反映了我们内部程序（图5）自动执行的流程（scanvp/ssmpca，<a href="http://www.feinsteinneuroscience.org" target="_blank">www.feinsteinneuroscience.org</a>，也可作为SPM工具箱ssm_pca获取）。
<ol>
 <li>使用现有的 0/1 图像对数据进行掩膜处理，以去除体素空间中不需要的区域，例如白质和脑室。通过 ssmpca 程序，用户可选择使用默认掩膜或其他外部掩膜。图3）或让程序通过移除每个受试者数据最大值的选定固定百分比以下的数值，自动创建掩膜。随后将各个受试者的掩膜相乘，以生成一个复合掩膜。掩膜内的区域定义了分析所用的共同非零体素空间。</li>
 <li>将每位受试者的三维掩膜图像体素数据通过依次连接连续层面的扫描线，转换为一个连续的行向量图4a）。构建一个组数据矩阵（D使得每个受试者的数据对应矩阵中的特定行，每列则代表所有受试者中同一特定体素的数据。理想情况下，用于生物标志物推导的矩阵应包含数量相等的正常对照受试者数据行和疾病受试者数据行。</li>
 <li>将每个数据条目转换为对数形式。</li>
 <li>通过从每行元素中减去各行的平均值或受试者的均值，对数据矩阵进行中心化。所有中心化行的平均值代表一个特征性的群体均值对数图像，称为群体均值谱型（group mean profile）GMP，图4a）。从相应矩阵列元素中减去GMP中的列均值。双中心化矩阵的每一行代表一个 残余 称为受试者残差分布图（SRP）的图像，其元素表示相对于受试者自身及总体的偏离程度 s 和体素 v 组均值（图4b). 
 SRPsv = logDsv - 平均值s - 良好生产规范v</li>
 <li>构建被试间协方差矩阵 C 通过计算每对受试者之间的非标准化协方差，得到复合双中心化数据矩阵的协方差矩阵 i, j 的 SRP 所有体素上相应体素元素乘积之和所评估的矩阵行 v (图4b). 
 Cij =∑v (SRPiv x SRPjv)</li>
 <li>对受试者间的协方差矩阵应用主成分分析（PCA） C结果将得到一组带有相应特征值的主成分得分特征向量。通过将每个特征向量乘以其对应特征值的平方根，对其进行加权。该组得分特征向量由所得矩阵的各列表示。 S 在 图4c.</li>
 <li>相同特征值集合对应的体素特征向量可通过以下两种方法确定：对逐列协方差矩阵进行主成分分析（PCA），或采用图中所示的另一种计算需求较低的替代方法。图 4c）。将先前推导出的得分向量矩阵左乘以其转置矩阵 SRP 基质以生成一个数组 P 按特征值降序排列的体素模式特征向量（图4c，图6，图7a). 
 P = SRPT x S 
 每一列向量代表 SSM/PCA 分析中的一个主成分（PC）图像模式，对应于该特征值相对大小所解释的总方差百分比（vaf）。</li>
</ol>
3. 模式生物标志物的推导
<ol>
 <li>检查先前分析的结果，以确定与高方差解释率（vaf）值相关的主成分（PC）模式。在我们的常规流程中，体素模式向量经过Z变换，使其数值表示相对于均值的正负标准差。随后，在显示前将其重塑为图像格式（图7a）。</li>
 <li>在某些情况下，可与疾病相关的已知区域偏离模式可通过视觉识别。数学上，推导出的主成分的正负形式被视为等效解；因此，为符合物理上的合理解释，主成分及其对应的得分均可乘以负一。</li>
 <li>每个主成分模式对应的得分以柱状图和散点图形式展示（图7）。可选择生成可选的ROC曲线图（图7d）。为识别疾病特异性模式，需注意患者组与对照组之间受试者得分的区分情况，这可通过相应的双样本t检验的p值和AUC值反映。将分析限制在那些与高vaf值及高区分度相关的主成分上，设定固定的截断值（例如，p &lt; 0.05 且 vaf &gt; 5%）。通常，对于PET数据，仅有一个或两个主成分满足此标准。</li>
 <li>主成分选择还可采用其他多种方法44。连续特征值的碎石图（图6）可能呈现明显的拐点，即曲线上斜率急剧下降的位置，标志着特征值开始退化，可作为截断依据。另一种方法是纳入解释方差占比最高的所有主成分，直至累计达到50%。一种广泛接受的方法是计算赤池信息准则（AIC）45，以确定能够区分患者与对照组且AIC值最低的主成分组合。</li>
 <li>所选的一个或多个主成分可进行向量归一化并线性组合，以生成单一的疾病相关模式。我们的软件可选地使用MATLAB函数glmfit，基于对受试者得分应用逻辑回归或其他回归模型来确定组合系数。尽管在推导过程中纳入更多主成分通常可提高患者组与对照组之间的区分度，但所得模式为复合表示，可能并不对应单一的生理网络，或可能包含异常值的偏离（图7a 和 图7c）。</li>
 <li>需进一步验证以确保其可靠性及前瞻性意义。可按如下所述进行自助重采样（bootstrap resampling）8，以识别原始推导数据集中最可靠的体素，这些体素在重复模式推导中具有最小的标准差。前向验证用于检验独立组别判别的敏感性和特异性，即利用下一节协议中描述的单受试者得分评估方法（图4d），计算前瞻性患者组和对照组的得分。</li>
</ol>
4. 使用预定义生物标志物对单个受试者进行前瞻性评分评估
<ol>
 <li>一旦确定了显著的 SSM-GIS 生物标志物模式，即可通过一个简单的内部向量积运算，从个体的扫描数据中评估该模式在其体内的表达得分，即个体的 SRP 向量与 GIS 模式向量的点积（图 4d，图 7d）。 
 得分 = SRPs • 模式</li>
 <li>前述运算由我们的 TPR 程序自动完成。然而，若需独立计算受试者的 SRPs 向量，则需在对数转换后的数据上应用相应的内在 GIS 掩模，并如步骤 2.4 所述，减去该受试者的均值以及预定义参考组对应的体素值 GMP，以确保所得得分可与预设的参考范围进行比较。新一组受试者的得分也可类似地作为一系列前瞻性单个受试者得分进行评估。若需使用不同的参考组或实验条件，可在保持模式不变的前提下对 GMP 重新校准。</li>
</ol>

Eidelberg 博士被列为两项美国专利的共同发明人，这两项专利涉及使用影像标志物筛查神经系统功能障碍患者（无经济收益）。无其他披露内容。

Moeller 等4最初提出的SSM/PCA模型已发展1-3成为一种简单且稳健的神经影像数据分析技术。然而，该方法在应用中存在一些模糊之处，我们已在本文及以往的出版物中5-7,10试图加以澄清。其中部分问题在正文中有阐述，但因其重要性在此再次强调。如引言部分所述，SSM/PCA主要适用于静息态FDG PET数据，但也成功应用于其他单体积成像技术及扫描平台，包括H215O PET和99mTc-ECD SPECT，以及灌注ASL和体积VBM MRI。将其成功应用于时间序列的rsfMRI数据，尚需未来开发出更先进的技术48。
SSM 的主要优势在于其能够识别数据中的变异来源，并将这些变异分离为空间上正交的组分。在大多数研究中，仅有少数几个显著组分可归因于疾病效应，从而显著减少了相关数据集的规模。为了识别疾病特异性组分，理想情况下应在联合组分析中纳入数量相等的疾病受试者以及性别和年龄匹配的健康对照受试者2,5。在这种情况...

神经退行性疾病的研究已广泛采用多种技术，这些技术可定位并量化脑代谢异常，以及研究区域间相互作用的非推断性方法17。数据驱动的多元分析策略，如主成分分析（PCA）1,2,4,18和独立成分分析（ICA）19,20，以及有监督的技术如偏最小二乘法（PLS）21和序趋势典型变量分析（OrT/CVA）22，能够揭示相互关联活动的特征性模式或“网络”。多元分析方法的基本原理，特别是缩放子廓形模型（SSM）1,2,4-6,18，此前已在JoVE中有所描述3。这种基于PCA的方法最初旨在研究脑区之间在静息状态下获取的脑血流和代谢单一体积图像中异常的功能协方差关系，这些图像来自正电子发射断层扫描（PET）和单光子发射计算机断层扫描（SPECT）等具有高信噪比特性的成像模态。特定疾病的SSM模式是成像生物标志物，反映了患者与正常受试者之间脑区拓扑结构的整体差异7,16，可能代表单一网络过程，也可能反映多个复杂异常功能的整合23。代谢协方差模式脑网络与表达值（受试者得分）相关，可用于区分正常组与疾病组，并提供与临床疾病严重程度评分相关的基于网络的测量指标。通常，此类模式的受试者得分随疾病进展而升高，甚至可能在症状出现之前即已表达14,24。事实上，已有研究针对帕金森病10（PD）、亨廷顿病25（HD）和阿尔茨海默病8（AD）等神经退行性疾病鉴定了相关的网络生物标志物。更重要的是，对于多系统萎缩（MSA）和进行性核上性麻痹（PSP）等非典型帕金森综合征，也已识别出相关的代谢拓扑模式。这些模式已被联合用于临床表现相似的“拟似”综合征个体的鉴别诊断12,13,26。
相比之下，典型的fMRI基于体素的单变量方法仅评估患者与对照组在孤立脑区簇中差异的显著性。近年来，已开发出用于测量不同定义脑区之间功能连接性的方法27-29。此类功能连接性的定义局限于受试者和特定脑区之间的相互作用，偏离了原始SSM/PCA概念所指的固有空间分布脑网络区域之间的横断面互联性1,2,23,30。MRI平台的优势在于易于安装、广泛可用、无创，且通常比传统的放射性示踪成像方式（如PET或SPECT）所需的扫描时间更短，因而近年来文献中涌现出大量潜在的研究方法。然而，由此获得的随时间变化的fMRI信号仅能间接反映局部神经活动31,32。目前所采用的分析算法通常较为复杂，受限于数据集规模庞大、fMRI信号中固有的生理噪声，以及不同受试者和脑区间脑活动的高度变异性19,23。尽管可以从fMRI“网络”的特性中推断出有关脑组织结构的有趣信息，但这些网络尚不够稳定，无法作为可靠的疾病生物标志物。此外，所得的网络拓扑结构并不一定等同于使用SSM/PCA等成熟功能成像方法所识别的拓扑结构。总体而言，对fMRI拓扑结果的严格交叉验证仍显不足，且在前瞻性单病例扫描数据中成功应用所提取模式的实例极少。
PCA协方差分析的一个优势在于能够通过前几个主成分识别数据变异的最主要来源，但如果显著的特征向量代表的是随机噪声因素而非实际的内在网络响应，则该方法无效。通过仅选择前几个特征向量，并限定于在患者与正常对照评分中表现出显著差异的特征向量，我们可大幅降低噪声成分的影响。然而，对于此处所述的基本方法而言，这些措施可能不足以在典型的fMRI数据集中生成稳健的估计量，以下所述的成像模式除外。
因此，由于局部葡萄糖代谢与突触活动之间存在稳定的直接关系33，该方法主要被应用于静息态FDG PET数据的分析。然而，鉴于在静息状态下脑血流量（CBF）与代谢活动密切相关10,11,34，单光子发射计算机断层扫描（SPECT）35,36以及近期发展的动脉自旋标记（ASL）MRI灌注成像技术37,38，已被用于评估个体中的异常代谢活动。尽管如此，如前所述，利用静息态fMRI（rsfMRI）可靠地提取空间协变模式仍非易事31,32。即便如此，对帕金森病（PD）患者与对照受试者的rsfMRI数据进行初步的SSM/PCA分析，已揭示出两种模态——PET与BOLD fMRI低频波动振幅（ALFF）所识别的疾病相关模式之间存在一定的拓扑同源性39,40。最后，我们还注意到，该方法已成功应用于基于体素的脑形态学（VBM）结构MRI数据41,42，揭示了与年龄相关脑体积萎缩相关的独特空间协变模式，并在对同一受试者VBM与ASL模式的进一步比较中得到验证43。SSM/PCA空间协变拓扑图与采用不同分析方法和成像平台所识别的类似脑网络之间的关系，仍是当前持续研究的课题。

<table><tbody><tr><td colspan="4">&lt;em&gt;图像采集&lt;/em&gt; </td></tr><tr><td>PET扫描仪</td><td>GE Medical Systems</td><td>GE Advance</td><td>GE、西门子和飞利浦生产的任意PET、PET/CT及PET/MRI扫描仪</td></tr><tr><td>PC工作站</td><td>Lenovo</td><td>任意型号</td><td>&lt;a href=&quot;http://www.lenovo.com/us/en/&quot; target=&quot;_blank">http://www.lenovo.com/us/en/&lt;/a&gt;</td></tr><tr><td colspan="4">&lt;em&gt;放射性药物&lt;/em&gt; </td></tr><tr><td>[&lt;sup&gt;18&lt;/sup&gt;F]-氟代脱氧葡萄糖</td><td>Feinstein医学研究所</td><td>常规生产</td><td>亦由Cardinal Health分发 &lt;a href=&quot;http://www.cardinal.com/&quot; target=&quot;_blank">http://www.cardinal.com/&lt;/a&gt; </td></tr><tr><td colspan="4">&lt;em&gt;软件&lt;/em&gt; </td></tr><tr><td>ScanVP</td><td>Feinstein医学研究所</td><td>版本5.9.1、版本6.2，即将发布</td><td>&lt;a href=&quot;http://www.feinsteinneuroscience.org/&quot; target=&quot;_blank">www.feinsteinneuroscience.org&lt;/a&gt;</td></tr><tr><td>SPM</td><td>伦敦大学学院神经病学研究所</td><td>spm99-spm8</td><td>&lt;a href=&quot;http://www.fil.ion.ucl.ac.uk/spm&quot; target=&quot;_blank">http://www.fil.ion.ucl.ac.uk/spm&lt;/a&gt;</td></tr><tr><td>Windows</td><td>Microsoft</td><td>任意版本</td><td></td></tr><tr><td>Matlab</td><td>Mathworks</td><td>Matlab版本7.0、7.3</td><td>&lt;a href=&quot;http://www.mathworks.com/&quot; target=&quot;_blank">http://www.mathworks.com/&lt;/a&gt;</td></tr><tr><td>JMP</td><td>SAS</td><td>版本5</td><td>&lt;a href=&quot;http://www.jmp.com/&quot; target=&quot;_blank">http://www.jmp.com/&lt;/a&gt;</td></tr></tbody></table>

利用神经影像数据识别与疾病相关的空间协变模式

Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data

尺度化亚轮廓模型（scaled subprofile model, SSM）1-4 是一种基于主成分分析（PCA）的多变量算法，能够在识别患者组与对照组脑成像数据主要变异来源的同时，排除次要成分（图1）。该方法直接应用于稳态多模态影像的体素对体素协方差数据，可将整组图像数据集降维为若干个显著的线性无关协方差模式及其对应的受试者评分。每个模式被称为群组不变亚轮廓（group invariant subprofile, GIS），是一种正交主成分，代表功能上相互关联的脑区所构成的空间分布网络。通过数据固有的对数转换和均值中心化处理，可消除可能掩盖较小网络特异性贡献的大范围全局均值标量效应2,5,6。每位受试者在这些模式上的表达程度以一个简单的标量评分表示，该评分可与独立的临床或心理测量指标相关联7,8。通过对受试者评分（即 模式表达值）进行逻辑回归分析，可获得线性系数，将多个主成分组合成单一的疾病相关空间协方差模式，即 具有更优患者与健康对照区分能力的复合网络5,6。可在推导数据集中采用自助重采样技术（bootstrap resampling techniques）进行交叉验证9。通过在前瞻性数据集中直接评估所推导模式的评分，即可轻松实现前瞻性验证10。一旦模式得到验证，便可将其用于对个体患者进行评分，评分参照通常为最初用于模式推导的健康对照组样本（与疾病组一同使用）11。这些标准化评分值继而可用于辅助鉴别诊断12,13，并在网络层面评估疾病进展及治疗效应7,14-16。本文展示了该方法的一个应用实例：利用我们自主研发的软件，对帕金森病患者与正常对照的氟脱氧葡萄糖正电子发射断层扫描（FDG PET）数据进行分析，推导出表征疾病的特征性协方差模式生物标志物。

以下展示了一种简单的多变量SSM/PCA分析方法，用于推导帕金森病（PD）的神经影像学生物标志物模式。我们使用ssmpca程序分析了10名临床确诊的PD患者（6男/4女，平均年龄59岁±7岁标准差）和10名年龄与性别匹配的正常对照者（6男/4女，平均年龄58岁±7岁标准差）的PET FDG图像，这些患者的病程长短不一（平均9年±5年标准差）。这20幅对应的空间预标准化图像最初在“疾病受试者”或“对照”类别下进行选择，并采用默认掩模（图3）。程序输出了前16个主成分（PC）的图像文件，以及与其相关的得分列表和按顺序排列的特征值碎石图（图6）。顺序排列的PC图像及其对应的柱状图和散点图在屏幕上显示，供初步审阅，如图7a和图7b所示。需要注意的是，第一个PC成分解释了最大的方差贡献率（vaf，24%），其对应的受试者得分通过双样本t检验比较和ROC特征（AUC=0.99，特异性为0.95时的敏感性为0.93）能够显著区分患者与对照者（p=0.0002）。基于上述原因，该成分本身即可被视为一种...

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。

尺度化亚轮廓模型（SSM）1-4 是一种基于多变量主成分分析（PCA）的算法，用于识别患者组与对照组脑部……中的主要变异来源

本实验的总体目标是确定神经功能脑部疾病特有的科文斯模式成像生物标志物。首先，使用PET-SPECT、动脉自旋标记功能磁共振成像（ASL-fMRI）或基于体素的形态学磁共振成像（VBM-MRI）等成像方式，获取一组临床已确诊患者的单个体积脑扫描图像，以及一组年龄匹配、最好性别也匹配的正常对照者的图像。第二步是将这些图像进行空间标准化，使其与一个共同的立体定位模板对齐。接下来，采用一种多变量分析技术。进行主成分分析的标度子剖面模型（Scaled SubProfile Model of Principal Component Analysis，即 S-S-M-P-C-A），并检验输出的主成分（principle components，PCs）及其对应的受试者得分。最后一步是确定能够定义协方差模式的最佳主成分（PC）或主成分组合，该模式可用于区分患者与对照组。最终，协方差模式可用于对个体受试者的疾病表达程度进行评分。与一些流行的单体素比较技术相比，该方法的优势在于能够识别和测量脑网络的活动。这些是大脑中分布式的区域协方差模式。最重要的是，该方法能够测量大脑中特定神经网络的活动，并通过一个单一数值对其进行概括，这一数值是临床研究中的一个重要指标。该技术有助于回答神经科学领域的一些关键问题，例如识别在疾病进展早期具有相似症状的不同神经系统疾病的代谢网络。该技术的应用可延伸至帕金森病等疾病的鉴别诊断和治疗规划，因为可以获得单个受试者的评分，并将其应用于鉴别诊断和治疗方案的制定。尽管该方法可为帕金森综合征提供深入见解，但也可应用于其他神经退行性疾病，如亨廷顿病和阿尔茨海默病。通常，初次接触该方法的人员会受限于既有的单一观念，即认为疾病的影响局限于孤立的区域簇。James Moler 博士首次提出该方法的构想，是将其应用于研究艾滋病患者中的痴呆症。通过视觉化演示该方法，有助于理解网络分析中涉及的各个步骤。然而，实际使用我们程序的具体操作并不难掌握，因为这些程序具有高度自动化的特点。若要利用正电子发射断层扫描（PET）研究脑代谢，首先需在禁食至少12小时并停用药物后，向疾病组的每位患者以及每名正常对照者注射放射性核素示踪剂，例如18F-氟代脱氧葡萄糖。让示踪剂在组织中达到平衡状态，需时45分钟。然后在受试者静息且睁眼状态下进行扫描，以获取模式数据。扫描完成后，对数量相等的性别和H匹配的患者与对照组进行扫描。将图像数据传输至工作站，并将其转换为适合分析的格式。此处使用的基于 Windows 系统的 MATLAB 分析软件需要将 GE 高级格式转换为 Analyze 或 NIfTI 格式图像才能进行分析。接下来，使用 SPM 等标准神经影像分析软件包，将每位受试者的图像归一化至通用的立体定位空间，以确保不同受试者之间的体素值具有一一对应关系。然后将灰质掩模应用于标准化后的图像，以限制分析范围至灰质区域。如果无可用的外部掩模，则通过排除低于指定阈值的信号值来创建每个受试者的个体掩模。取每个受试者最大信号值的一定百分比作为阈值，并将各掩模相乘，以定义用于分析的复合灰质体素空间。为了进行多变量比例化亚轮廓模型主成分分析（S-S-M-P-C-A），请使用费因斯坦神经科学网站上提供的内部程序 scan VP。该程序也可作为统计参数映射工具箱使用，在 scan VP 菜单中选择统计，然后选择 SSM，再选择基于体素，最后选择 PCA。接下来，检查菜单中的选定对照，并选择先前已归一化的对照图像。然后选择图像文件以导入归一化的患者图像。选择合适的掩模或阈值，并勾选菜单中的其他选项。接下来，点击“处理”并为实验结果输入名称。等待显示，以查看主成分图像及其对应的得分文件，以便在其他软件中使用。模拟上述自动流程所执行的算法。为了实现这一目标，首先使用现有的0-1图像掩膜作为初始掩膜数据，以去除体素空间中不需要的区域，例如白质和脑室，具体操作如预处理步骤中所述。接下来，将每位受试者的三维掩膜图像体素数据转换为一个连续的行向量，方法是将连续切片平面上的扫描线依次连接，从而形成组数据矩阵，使得每位受试者的数据对应于矩阵中的特定行。此时，矩阵的每一列则代表了所有受试者中某一特定体素的数据。每个样本载入矩阵后，将每个数据项转换为对数形式。然后通过从每行元素中减去各行的平均值或样本均值，对数据矩阵进行中心化处理。所有中心化行的平均值代表一个特征性的群体均值对数图像，即群体均值谱型或 GMP。接下来，从相应的矩阵列元素中减去各列的均值。双中心化矩阵的每一行代表一个残差图像，称为被试残差谱型（subject residual profile, SRP），其元素表示相对于被试S和体素V的组均值的偏差，该过程遵循此处所示公式：SRPSV 是对应于被试S和体素V的SRP矩阵中的元素，DSV 是原始数据值，meanS 是被试均值，GMPV 是体素V的组均值。随后，通过计算被试残差谱型矩阵各行之间的非归一化协方差，构建基于被试的复合双中心化SRP数据矩阵的协方差矩阵C。使用此处所示的方程，其中 CIJ 是对称协方差矩阵 C 的一个元素，而 CRP IV 和 CRP JV 是 CRP 矩阵中对应体素的元素，对所有体素进行相乘并求和。随后，对受试者间的协方差矩阵 C 进行主成分分析。结果将得到一组与相应特征值关联的受试者得分特征向量。接下来，将每个向量乘以其对应特征值的平方根进行加权。得分特征向量的集合由此处所示矩阵 S 的列来表示。接下来，通过将得分向量矩阵与受试者残差谱矩阵的转置相乘，计算对应相同特征值集合的体素特征向量。根据此处所示公式，这将生成一个体素模式特征向量数组 P，其中 P 按特征值降序排列，P 为该主成分体素特征向量的矩阵。SRPT 是 SRP 矩阵的转置，S 为得分向量矩阵，随后将每个向量转换为主成分图像。每个主成分图像对应解释总方差的百分比，即方差贡献率（VAF），该值与其特征值的相对大小相对应。通过分析主成分分析的结果，确定与较高方差贡献率相关联的模式。体素模式向量及其得分经过Z变换，使其数值表示相对于均值的正负标准差。接下来，尝试识别与所研究疾病相关的区域偏离。然后检查对应于每个主成分模式的得分的散点图。还可生成可选的受试者工作特征曲线图，以识别特定疾病的模式。通过检查相应双样本 T 检验的 P 值和曲线下面积值，评估患者与对照组之间受试者评分的区分度。接下来，对选定的主成分进行向量归一化并线性组合，以得到单一的与疾病相关的模式。为实现此目的，使用 MATLAB 函数 GLM fit，基于逻辑回归或其他回归模型对受试者的评分进行拟合，以确定相应的系数。一旦确定了生物标志物模式，即可通过该个体的扫描数据评估其在前瞻性受试者中的评分表达，此操作可通过菜单中的 TPR 功能完成。实现方法为：对受试者的 SRP 向量与 GIS 模式向量进行简单的内部点积运算。最后，使用外部软件通过Bootstrap重采样对所得的潜在模式生物标志物进行进一步验证，并通过独立受试者群体的前瞻性验证进行确认。前瞻性验证可通过使用TPR确定前瞻性队列的评分来实现。图中显示的是10名临床诊断为帕金森病患者与10名年龄和性别匹配的对照者进行SSM分析所得前四个主成分图像在原点处的轴向切面图。暖色调表示代谢活性的相对增加。基于该原则，各组分对整体受试者残差谱的贡献中，冷色调则表示代谢活性的相对降低。第一主成分具有最大的方差解释度（VAF值）和最小的P值，表明其高度显著，是唯一可单独视为潜在独立生物标志物的成分。当以正交视图显示在 MRI 结构像背景上时，对整体模式有贡献的显著变异区域清晰可见。可以通过组合主成分来尝试提高显著性，例如第一和第四主成分的组合可降低 P 值，提示显著性更高。这些图表仅显示第一主成分和第四主成分的推导样本 Z 分数的独立柱状图及散点图。第一主成分能够显著区分患者与对照组。尽管第四主成分显示出一种趋势。第一主成分与第四主成分的线性逻辑组合可提高判别能力。如前所述，在Z值阈值为0.9时，该组合模式表现出完全的分离效果。结合主成分三显示出比结合主成分一和四略高的区分能力，但由于主成分二缺乏区分能力，引入全部四个主成分并未改善数据的区分效果。此处展示了22名正常对照者和22名帕金森病（PD）患者在主成分一的模式、主成分一与四的组合模式、主成分一、三和四的组合模式，以及主成分1、2、3和四的组合模式下的前瞻性评分评估结果。曲线下面积值和敏感性在联合超过两个主成分时似乎有所下降。尽管P值的稳健性趋于下降，但在UC和P值方面，PC一四相较于单独使用PC一仅表现出不显著的改善，这与推导样本中预测的显著差异相反。当需要获取患病患者和对照受试者的扫描数据以识别和验证真实且有效的疾病模式时，使用该算法即可成为一种直接的流程。在疾病模式被识别并验证后，可采用其他方法，如将患者评分与独立的临床指标进行相关性分析，以回答更多问题。例如，影像学生物标志物反映的是疾病的运动症状还是认知症状，或者疾病模式的表达是否有助于区分在难以诊断的临床病例中表现出相似症状的不同疾病。请勿忘记，由于功能磁共振成像信号存在动态波动以及信噪比较低，该方法无法直接应用于时间序列功能磁共振成像数据。

identification-disease-related-spatial-covariance-patterns-using

Research

科研

JoVE Journal

Medicine

医学

鉴定的使用神经影像学数据的与疾病-相关的的空间协方差模式

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。...

神经影像数据中多变量分析的基础

我们采用脑磁图和脑电图（MEG/EEG），结合磁共振成像（MRI）获取的解剖学信息，来绘制与听觉注意相关的皮层网络动态图谱。...

利用同步脑磁图/脑电图与基于解剖约束的最小范数估计绘制皮层动态：以听觉注意为例

本视频介绍了一种通过特定任务或过程所激活的认知控制网络，来研究其功能连接随年龄变化的方法。该技术基于对功能性磁共振成像（fMRI）数据的多变量分析。...

一种研究与维度变化卡片分类任务表现相关的认知控制网络功能连接年龄差异的方法

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

静息态功能连接磁共振成像已发现，包括因大脑皮层发育畸形所致癫痫在内的多种神经精神疾病患者均存在异常。经颅磁刺激联合脑电图可证实，癫痫患者在功能连接异常的脑区表现出皮层过度兴奋性。...

一种基于多模态成像与刺激的癫痫患者脑连接相关兴奋性评估方法

基于静息态功能磁共振成像结合格兰杰因果分析，我们研究了阿尔茨海默病（AD）患者、轻度认知障碍（MCI）患者以及健康对照组中后扣带皮层与全脑之间定向功能连接的改变。...

阿尔茨海默病与轻度认知障碍中定向功能连接的格兰杰因果分析应用

本文提供了一个开放获取的、标准化的影像处理流程实用教程，旨在用于病灶-症状映射。教程逐步介绍了每个处理步骤，从在CT/MRI上进行人工梗死分割，到后续将图像配准至标准空间，并结合典型病例提供了实用建议和图示说明。...

脑梗死病灶在MRI或CT上的分割与配准用于病灶-症状映射

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

本文概述了在自然学习环境中对协作学习对组进行功能性近红外光谱（fNIRS）超扫描实验的操作方案，并提出了一种用于分析氧合血红蛋白（Oxy-Hb）信号的脑间同步性（IBS）的数据处理流程。...

开放性协作学习中的脑间同步性：一项基于fNIRS超扫描的研究

本文提出了一种综合方法，用于研究人类大脑中空间导航的功能网络。该方法结合了大规模神经影像元分析数据库、静息态功能磁共振成像，以及网络建模和图论分析技术。...

模拟人脑空间导航功能网络

小波变换相干性（WTC）是功能近红外光谱（fNIRS）超扫描研究中用于评估信号间耦合的常用方法。本文介绍了一种用于评估信号相互作用方向性的工具箱。...

功能近红外光谱（fNIRS）超扫描研究中跨脑相干性理解的新框架

了解如何使用多变量主成分分析技术识别神经退行性疾病的影像学生物标志物。该方法通过分析PET、SPECT等神经影像数据，建立可重复的空间协方差模式，实现患者与对照组的精准区分，为临床诊断和疾病监测提供客观量化指标。

利用神经影像数据识别与疾病相关的空间协变模式

探索更多视频