Identification of Disease-bezogene räumliche Kovarianz Patterns mit Neuroimaging Daten

Summary

Multivariate Techniken einschließlich Hauptkomponentenanalyse (PCA) verwendet worden, um Signatur-Muster der regionalen Umstellung der funktionalen Gehirn Bilder zu identifizieren. Wir haben einen Algorithmus, um reproduzierbare Netzwerk Biomarker für die Diagnose von neurodegenerativen Erkrankungen, Beurteilung des Fortschreitens der Krankheit, und objektive Bewertung der Auswirkungen der Behandlung in Patientengruppen identifizieren entwickelt.

Abstract

Die skalierte Subprofil Modell (SSM) ^1-4 ist eine multivariate PCA-basierten Algorithmus, der wichtigsten Quellen der Variation identifiziert in Patienten-und Kontrollgruppe Gehirn Bilddaten bei gleichzeitiger Ablehnung weniger Komponenten (Abbildung 1). Direkt auf Voxel-by-Voxel Kovarianz Daten von stationären multimodalen Bilder angewendet, kann eine ganze Gruppe Bildsatzsignal auf wenige signifikante linear unabhängige Kovarianz Muster und entsprechende Thema Noten reduziert werden. Jedes Muster, bezeichnet eine Gruppe invariant Unterprofil (GIS), eine orthogonale Hauptkomponente, die ein räumlich verteiltes Netzwerk von funktionell miteinander Hirnregionen darstellt. Große globale mittlere skalare Effekte, die kleinere Netzwerk-spezifischen Beiträge verschleiern können, werden durch die inhärente logarithmischen Konvertierung entfernt und meine Zentrierung der Daten ^2,5,6. Themen auszudrücken jedes dieser Muster in unterschiedlichem Ausmaß vertreten durch eine einfache skalare Partitur, die mit unabhängigen clin korreliereniCal oder psychometrischen Deskriptoren ^7,8. Mittels logistischer Regressionsanalyse Thema Partituren (dh Muster expression-Werte), können lineare Koeffizienten abgeleitet, um mehrere Hauptkomponenten in einzelne krankheitsbedingte räumliche Kovarianz Muster, dh zusammengesetzten Netzwerke verbinden mit verbesserter Diskriminierung von Patienten von gesunden Kontrollpersonen ^5,6 werden. Kreuz-Validierung innerhalb der Ableitung Set kann mit Bootstrap-Resampling-Techniken ⁹ werden. Vorwärts Validierung wird leicht durch direkten Punktzahl Auswertung der abgeleiteten Muster in Datensätzen ¹⁰ Interessenten bestätigt. Nach der Gültigkeitsprüfung krankheitsbedingten Muster können verwendet werden, um den einzelnen Patienten in Bezug auf einen festen Bezugspunkt Probe punkten, die oft der Satz von gesunden Probanden, die verwendet wurde (mit der Krankheit Gruppe) in dem ursprünglichen Muster Ableitung ¹¹ werden. Diese standardisierten Werte können wiederum verwendet werden, um in die Differentialdiagnose ^12,13 Krankheit zu unterstützen und zu beurteilenProgression und Behandlung Auswirkungen auf Netzwerkebene ^7,14-16. Wir präsentieren ein Beispiel für die Anwendung dieser Methode auf FDG PET-Daten von Patienten mit Morbus Parkinson und normalen Kontrollen mit unserer hauseigenen Software abzuleiten ein charakteristisches Muster Kovarianz Biomarker von Krankheiten.

Introduction

Neurodegenerative Erkrankungen wurden ausgiebig untersucht mit Hilfe von Techniken, die zu lokalisieren und zu quantifizieren Anomalien der Stoffwechsel im Gehirn als auch nicht-inferential Methoden, regionale Wechselwirkungen studieren ^17. Daten-driven multivariate analytische Strategien wie Principal Component Analysis (PCA) und ^1,2,4,18 Independent Component Analysis (ICA) ^19,20, sowie überwachte Techniken wie Partial Least Squares (PLS) ²¹ und Ordnungszahl Trends kanonischen variates Analyse (ORT / CVA) ²² zeigen charakteristische Muster oder "Netzwerke" von zusammenhängenden Aktivitäten. Die Grundlagen der multivariaten Verfahren, insbesondere die skalierte Subprofil Modell (SSM) ^1,2,4-6,18 wurden zuvor in JoVE ³ beschrieben. Das PCA-Ansatz wurde ursprünglich entwickelt, um abnormale funktionale Kovarianz zwischen Hirnregionen in steady-state einzigen Band Bilder des zerebralen Blutflusses und des Stoffwechsels acq prüfenuired im Ruhezustand von Modalitäten wie PET und SPECT, die hohen Signal-zu-Rausch-Eigenschaften aufweisen. Disease-spezifischen SSM Muster sind Biomarker, die grundsätzlichen Unterschiede in der regionalen Topographie in Patienten im Vergleich zu gesunden Probanden ^7,16 und kann ein einzelnes Netzwerk-Prozess oder die Assimilation von mehreren komplexen abnorme Funktionen ²³ zu berücksichtigen. Metabolic Kovarianz Muster Gehirn Netzwerke mit Ausdruck Werte (vorbehaltlich scores), die zwischen normal und Krankheit Gruppen unterscheiden und bieten Netzwerk-basierte Maßnahmen, die mit der klinischen Bewertung der Schwere der Erkrankung korrelieren können, zugeordnet. Typischerweise unterliegt Noten für solche Muster mit Fortschreiten der Krankheit zu erhöhen und kann sogar vor Symptombeginn ^14,24 ausgedrückt werden. Tatsächlich haben krankheitsbedingten Netzwerk Biomarker für neurodegenerative Erkrankungen wie Parkinson-Krankheit ¹⁰ (PD), Huntington-Krankheit ²⁵ (HD) und Alzheimer-Krankheit ⁸ charakterisiert (AD). Wichtig ist, dass krankheitsbedingte metabolische Topographien auch für atypische Parkinson Bewegungsstörungen wie Multisystematrophie (MSA) und progressive Blickparese (PSP) identifiziert worden. Diese Muster wurden im Einvernehmen für die Differentialdiagnose von Individuen verwendet mit klinisch ähnlich "look-alike"-Syndrome ^12,13,26.

Im Gegensatz dazu beurteilen typischen fMRI Voxel-basierte univariate Methoden die Signifikanz der Unterschiede zwischen Patienten und Kontrollen in isolierten Hirn-Clustern. In jüngerer Zeit wurden Verfahren entwickelt, um die funktionelle Konnektivität zwischen unterschiedlich definierten Hirnregionen ^27-29 zu messen. Diese Definition der funktionellen Konnektivität zu unterwerfen und Region spezifische Wechselwirkungen und weicht von der ursprünglichen SSM / PCA Konzept, das die Querschnittsfläche der inneren Vernetzung räumlich verteilten Netzwerk Gehirn Regionen ^1,2,23,30 bezieht beschränkt. Zu ihrem Vorteil, MRI-Plattformen eineinfach installiert neu, weit verbreitet, nicht-invasiv und erfordern in der Regel kürzere Scan-Zeit als traditionelle radiotracer Bildgebungsverfahren wie PET oder SPECT, was zu einer Zunahme der potentiellen Methoden in der neueren Literatur beschrieben. Allerdings bieten die resultierenden zeitabhängigen fMRI Signalen indirekte Maßnahmen der lokalen neuronalen Aktivität ^31,32. Die allgemein komplexe analytische Algorithmen eingesetzt wurden durch die Größe der Datensätze, die physiologische inhärente Rauschen in fMRI-Signale, sowie die hohe Variabilität in der Hirnaktivität, die zwischen den Fächern und Regionen existiert ^19,23 begrenzt. Obwohl interessante Informationen über die Organisation des Gehirns von den Eigenschaften der fMRI "Netzwerke" zu entnehmen ist, haben sie nicht stabil genug, um als verlässliche Biomarker Krankheit verwendet werden. Darüber hinaus sind die resultierenden Topographien Netzwerk nicht entsprechen, die identifiziert unter Verwendung etablierter funktioneller Bildgebung Methoden wie SSM / PCA. Für thE größten Teil hat strenge Kreuzvalidierung der resultierenden fMRI Topographien mit wenigen Beispiele für eine erfolgreiche Anwendung von vorne abgeleitet Muster in prospektiven Scandaten von Einzelfällen gefehlt.

Ein Vorteil der PCA Kovarianzanalyse liegt in seiner Fähigkeit, die wichtigsten Quellen von Daten Variation in den ersten paar Hauptkomponenten zu identifizieren, aber es ist unwirksam, wenn die prominenten Eigenvektoren Rauschen Faktoren anstatt tatsächliche intrinsische Netzwerk Reaktion darstellen. Indem nur die ersten Eigenvektoren und Beschränkung auf die dort wesentliche Unterschiede in Patienten gegenüber normalen Steuerung Werte zeigen wir erheblich reduziert den Einfluss von Rauschen Elemente. Doch für den grundlegenden Ansatz hier beschrieben, kann diese Maßnahmen nicht ausreichen, um robuste Schätzer in einem typischen fMRI Datensatz mit Ausnahme der unten beschriebenen Modalitäten zu generieren.

Da somit der stabilen direkte Beziehung regionaler glucose Stoffwechsel und synaptischer Aktivität ³³ wurde diese Methode in erster Linie zur Analyse von Ruhezustand FDG PET Daten angewendet. Angesichts der Tatsache, dass zerebralen Blutflusses (CBF) in engem Zusammenhang mit metabolischen Aktivität im Ruhezustand ^10,11,34, SPECT ^35,36 und neuerdings Arterial Spin Labeling (ASL) MRI Perfusionsbildgebung Methoden ^37,38 gekoppelt, verwendet worden abnorme Stoffwechselaktivität im Einzelfall zu beurteilen. Das heißt, die Ableitung von zuverlässigen räumliche Kovarianz Muster mit Ruhezustand fMRI (rsfMRI) ist wie bereits erwähnt nicht einfach ^31,32. Trotzdem hat vorläufige SSM / PCA Analyse von Daten aus rsfMRI PD-Patienten und Kontrollpersonen zeigten einige topographische Homologien zwischen krankheitsbedingten Muster identifiziert mit Hilfe der beiden Modalitäten, PET und der Amplitude des niederfrequenten Schwankungen (VLV) von BOLD fMRI ^39,40 . Schließlich haben wir auch beachten, dass dieser Ansatz erfolgreich in Voxel basierte morpho angewendetMetrie (VBM) strukturelle MRT-Daten ^41,42 und enthüllt unverwechselbaren räumliche Kovarianz Muster mit altersbedingten Volumenverlust und in weitere Vergleiche von VBM und ASL-Muster in den gleichen Fächern ⁴³ verbunden. Die Beziehung zwischen SSM / PCA räumliche Kovarianz Topographien und analoge Netzwerke identifiziert Gehirn mit verschiedenen analytischen Ansätze und Imaging-Plattformen ist ein Thema der laufenden Ermittlungen.

Protocol

1. Datenerhebung und Vorverarbeitung

1. Die SSM / PCA Verfahren kann auf einzelne Volumen Bilder aus verschiedenen Quellen und Modalitäten erhalten angewendet werden. Speziell für Vor-Ort-PET-Bildgebung des Stoffwechsels, bereiten Sie ein geeignetes Radionuklid Tracer wie ^[18 F]-FDG (FDG) und verwalten zu jedem Patienten. Die Patienten werden in der Regel in Ruhe mit offenen Augen gescannt, nach einem schnellen von mindestens 12 Stunden, aus Medikamenten.
2. Scannen Sie jedes Thema für Einzel-oder Gruppen-Assessment. Für Muster Ableitung, scannen eine gleiche Anzahl von geschlechts-und altersspezifischen passenden Patienten und Kontrollen.
3. Übertragen von Daten auf einen Arbeitsplatz und die Umwandlung in ein geeignetes Format für die Analyse in Ihre Plattform. Unsere Fenster PC-basierte Analyse-Software MATLAB (scanvp, ssm_pca, www.feinsteinneuroscience.org ) erfordert ANALYSE oder nifti Format Bilder (Mayo Clinic, Rochester, MN). Es bietet eine Konvertierungs-Routine to Transformation GE Geleistete (Milwaukee, WI, USA) Scanner und andere Bilder im Format zu Format ANALYSE.
4. Normalisieren jeder Person das Bild auf einen gemeinsamen stereotaktischen Raum (zB Montreal Neurological Institute [MNI]) unter Verwendung eines Standard-Software-Paket Neuroimaging wie statistische parametrische Mapping (SPM) ( http://www.fil.ion.ucl.ac.uk/spm ), so dass es eine Eins-zu-Eins-Entsprechung von Voxel-Werten zwischen den Fächern (2). Maskierung, die Analyse auf der grauen Substanz Bereichen (Abbildung 3) und Log-Transformation zu begrenzen sind in den nächsten Schritten beschrieben.

2. Führen Multivariate SSM / PCA

Operationen für multivariate SSM / PCA (4) durch externe Software durchgeführt werden. Die Schritte aufgeschlüsselt unten reflektieren die Verfahren in den meisten Fällen automatisch durch unsere in-house-Routinen (Abbildung 5) (Scan durchgeführtvp / ssmpca, www.feinsteinneuroscience.org auch als SPM Toolbox ssm_pca).

1. Mask Daten unter Verwendung eines verfügbaren 0/1 Bild, um unerwünschte Bereiche des Voxelraum wie weißen Substanz und Kammern zu entfernen. Mit dem ssmpca Routine wird der Benutzer eine Option, um den Standard-oder anderen externen Maske (Abbildung 3) zu wählen oder haben das Programm automatisch eine Maske erstellen, indem Sie Werte unter einem ausgewählten festen Prozent des jeweiligen Subjekts Daten maximale gegeben. Individuelle Subjekt Masken werden dann multipliziert, um eine zusammengesetzte Maske bestimmen. Die Bereiche in der Maske zu definieren eine gemeinsame Null Voxelraum zur Analyse.
2. Konvertieren jeder Person 3D maskierte Bild Voxeldaten einem kontinuierlichen Zeilenvektor durch Anhängen sequentiellen Scan-Linien aus aufeinanderfolgenden Ebenen (Abbildung 4a). Bilden eine Gruppe Data Matrix (D), so dass jeder Person die Daten zu einem bestimmten r entsprichtow der Matrix. Jede Spalte stellt dann einen bestimmten Voxel über Themen. Idealerweise sollte für Biomarker Ableitung wird die Matrix aus einer gleichen Anzahl von Reihen von normalen Kontrollsubjekt Daten und Krankheitserregern Daten bestehen.
3. Verwandeln Sie jede Dateneingabe auf logarithmische Form.
4. Zentrum der Data Matrix durch Subtraktion jede Zeile Durchschnitt oder Gegenstand bedeuten aus der Reihe Elemente. Der Durchschnitt aller zentrierten Reihen stellt eine charakteristische Gruppe bedeuten log Bild bezeichnet eine Gruppe mittleren Profil (GMP, Abbildung 4a). Subtrahieren Sie die Spalte bedeutet, dass die Elemente der GMP aus den entsprechenden Matrixspalte Elemente sind. Jede Zeile der doppelten zentrierte Matrix stellt eine "Restgehalt" Bild bezeichnet einen Betreff Restprofil (SRP), deren Elemente stellen Abweichungen von den Untersuchungsgegenstand s und Voxel v Gruppe Mittel (Abbildung 4b).
   SRP _sv = logD _sv - bedeuten _s - GMP _v
5. Konstruieren Sie die subject-by-Kovarianz-Matrix C unter der zusammengesetzten Doppel zentriertes Datenmatrix durch Berechnung des nicht normierten Kovarianz zwischen jedem Fach Paar i, j der Matrix SRP Zeilen als ein Produkt der entsprechenden Voxel-Elemente über alle Voxel V zusammengefasst ausgewertet (Fig. 4b) .
   C _ij = Σ _v (SRP _iv x SRP _jv)
6. Bewerben PCA zum Thema-by-Thema Kovarianzmatrix C. Die Ergebnisse werden eine Reihe von Subjekt Punktzahl Eigenvektoren mit zugehörigen Eigenwerte sein. Gewicht jeder Vektor durch Multiplikation mit der Quadratwurzel aus der entsprechenden Eigenwert. Der Satz von Eigenvektoren Ergebnis wird durch die Spalten der resultierenden Matrix S in Fig. 4c dargestellt.
7. Voxel Eigenvektoren für den gleichen Satz von Eigenwerten kann durch Anwenden der PCA spaltenweise Kovarianzmatrix oder dieses alternative rechnerisch weniger anspruchsvolle proced bestimmt werdenure in (4c) dargestellt. Linke multiplizieren Sie die zuvor abgeleiteten Score-Vektor-Matrix durch die Umsetzung SRP-Matrix zur Ableitung eines Array P von Voxel-Muster Eigenvektoren in absteigender Reihenfolge der Eigenwerte (4c, 6, 7a).
   P = ^T x S SRP
   Jedes Spaltenvektor eine Hauptkomponente (PC) Bildmuster des SSM / PCA Analyse zurückzuführen auf eine Prozent des gesamten berücksichtigten Varianz (VAF) entsprechend der relativen Größe der Eigenwert.

3. Biomarker-Muster Ableitung

1. Untersuchen der Ergebnisse der vorhergehenden Analyse PC Mustern, die mit hoher VAF Werte zugeordnet sind zu bestimmen. Innerhalb unserer Routine sind Voxel Mustervektoren Z-transformiert, so dass ihre positiven und negativen Werte Standardabweichungen stellen aus deren Mittelwert. Sie werden dann in Bildformat umgeformt vor der Anzeige (Abbildung 7a).
2. In einigen Fällen Muster mit bekannten lokalen Abweichungen mit der Krankheit verbunden sind, können visuell identifiziert werden. Die mathematische Formulierung der Auffassung, positive und negative Formen der abgeleiteten PCs als gleichwertige Lösungen in diesem Fall sowohl die PCs und die damit verbundenen Werte von minus eins multipliziert werden, um auf eine physikalisch korrekte Interpretation entsprechen kann.
3. Spielstände, die der jeweiligen PC-Muster werden als Balkendiagramme und Scatter-Plots (Abbildung 7) angezeigt. Eine optionale ROC Plot erzeugt (Abbildung 7d) werden. Um eine krankheitsspezifische Muster identifizieren, bemerken die Differenzierung unterliegen Werte zwischen Patienten und Kontrollen durch die p-Werte von den entsprechenden zwei-t-Tests und AUC-Werte wider. Begrenzen Sie die Analyse auf jene PCs mit einem hohen vaf und hohe Differenzierung für einige feste Cutoff-Werte (z. B. p <0,05 und vaf> 5%) verbunden. Normalerweise genügen ein oder zwei PCs das Kriterium für PET-Daten.
4. Es gibt verschieschiedenen andere Möglichkeiten für PC-Auswahl, die ⁴⁴ betrachtet werden können. Die Screeplot sequentieller Eigenwerte (Abbildung 6) geben kann einen scharfen Cutoff-Wert von einem Knick in der Kurve dargestellt und eine scharfe Reduzierung der Steigung der Kurve, wo Eigenwerte zu degenerieren beginnen. Ein anderer Ansatz ist es, alle PCs, die für die besten 50% der Varianz erklären sind. Eine weithin akzeptierte Verfahren ist es, die Akaike Information Criterion (AIC) ^45, um zu bestimmen, welche Kombination von PCs definieren das Modell mit der kleinsten AIC Wert zwischen Patienten und Kontrollen zu unterscheiden berechnen kann.
5. Der ausgewählte PC (s) können Vektor normalisiert und linear kombiniert werden, um einen einzigen krankheitsbedingten Muster ergeben. Unsere Software verwendet optional die MATLAB-Funktion glmfit um Koeffizienten auf logistischer oder anderer Regressionsmodelle angewendet unterliegen Partituren bestimmen. Obwohl Differenzierung von Patienten-und Kontrollgruppen verbessert in der Regel mit den zusätzlichen PCs in der de betrachtetrivation Gruppe sind die resultierenden Muster eine zusammengesetzte Darstellung, die nicht auf einem einzigen physikalischen Netzwerk entsprechen kann oder Ausreißer Abweichungen (7a und 7c) zu integrieren.
6. Eine weitere Validierung für Zuverlässigkeit und Interessenten Bedeutung erforderlich ist. Bootstrap Resampling kann wie unter ⁸ diskutiert, um die zuverlässigsten Voxel innerhalb der ursprünglichen Ableitung Datensatz mit der geringsten Standardabweichung in wiederholten Muster Ableitung verbunden zu identifizieren. Vorwärts Validierung durchgeführt wird, um für die Sensitivität und Spezifität der unabhängige Gruppe Diskriminierung durch Ableiten Partituren für angehende Gruppen von Patienten und Kontrollen mit dem Ein-Fach-Punktzahl Auswerteverfahren (Abbildung 4d) in das nächste Segment des Protokolls beschrieben testen.

4. Einzel-Thema Prospective Score Auswertung mit einer vorgegebenen Biomarker

1. Sobald eine signifikante SSM-GIS Biomarker-Musteridentifiziert worden ist, kann eine Punktzahl für seine Expression in einer prospektiven Thema aus, dass individuelle Scan mit einer einfachen Berechnung des internen Vektorprodukt des Subjekts SRP Vektor und dem GIS-Vektor (Abbildung 4d, 7d) ausgewertet werden.
   SCORE = SRPs • Pattern
2. Der bisherige Betrieb wird durch unsere TPR Routine automatisiert. Um jedoch unabhängig leiten das Thema SRPs Vektor verwenden den zugehörigen intrinsischen GIS Maske auf die Log-transformierten Daten und subtrahieren beide das Thema Mittelwert und die entsprechenden Voxel Werte der vorher abgeleiteten Referenzgruppe GMP wie in Schritt 2.4. Dies stellt sicher, dass Werte der vorbestimmten Referenzbereich verglichen werden kann. Scores für eine neue Gruppe kann in ähnlicher Weise als eine Reihe von Interessenten einzigen Thema Noten bewertet werden. Für die Verwendung mit einem anderen Referenz-Gruppe oder Einstellung können GMP neu kalibriert, während das Muster ist unverändert.

Results

Eine einfache Anwendung von multivariaten SSM / PCA Analyse zur Ableitung eines bildgebenden Biomarker-Muster für PD ist unten dargestellt. PET FDG Bilder von zehn klinisch PD-Patienten (6M/4F, 59y ± 7J sd) variabler erkrankten Dauer (5J 9y ± sd) diagnostiziert und zehn Alter und Geschlecht abgestimmt normalen Kontrollen (6M/4F, 58y ± 7J sd) wurden mit unsere ssmpca Routine. Die zwanzig entsprechenden räumlich pre-normalisierten Bilder wurden unter den Kategorien Krankheit Themen oder Kontrollen zusammen mit de...

Discussion

Die SSM / PCA Modell ursprünglich von Moeller et al. ⁴ entwickelt hat ^1-3 in eine einfache und robuste Technik für die Analyse von bildgebenden Daten. Allerdings gab es Unklarheiten bei der Anwendung dieser Methode, dass wir versucht haben, hier und in früheren Veröffentlichungen ^5-7,10 klären. Einige dieser Fragen wurden in den Text angesprochen worden, aber hier wegen ihrer Bedeutung reemphasized. Wie in der Einleitung ist SSM / PCA vor allem wirksam in Ruhezustand FDG PET-Dat...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Image Acquisition
PET-Scanner	GE Medical Systems	GE Advance	Any PET-, PET/CT- und PET/MRT-Scanner von GE, Siemens und Philips
PC-Workstations	Lenovo	Any	http://www.lenovo.com/us/en/
Radiopharmazeutika
[18F]-Fluordesoxyglucose	Feinstein Institute for Medical	Research Routineproduktion	Auch vertrieben von Cardinal Health http://www.cardinal.com/
Software
ScanVP	Feinstein Institute for Medical Research	Version 5.9.1, Version 6.2, Zu veröffentlichen<	a href="http://www.feinsteinneuroscience.org/" target="_blank">www.feinsteinneuroscience.org
SPM	Das UCL Institut für Neurologie	spm99-spm8	http://www.fil.ion.ucl.ac.uk/spm
Windows	Microsoft	Beliebig
Matlab	Mathworks	Matlab Version 7.0, 7.3	http://www.mathworks.com/
JMP	SAS	Version 5	http://www.jmp.com/