Name: Grundlagen der multivariaten Analyse in Neuroimaging-Daten (Video) | JoVE Journal
Uploaded: 2010-07-24T17:00:00.000+00:00
Duration: 6 min 35 s
Description: Lernen Sie multivariate Analysemethoden für Neuroimaging-Daten zur Alzheimer-Diagnose. Diese Technik zeigt bessere diagnostische Leistung und überlegene Generalisierung auf unabhängige Datensätze.

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

playerTrialDesktop

Der Autor ist dankbar für NIH-Unterstützung: NIH / NIBIB 5R01EB006204-03 Multivariate Ansätze zur bildgebenden Analyse NIH / NIA 5R01AG026114-02 Frühe AD-Erkennung mit ASL-MRT und Kovarianzanalyse ADNI: Imaging-Daten wurde von der Alzheimer-Krankheit Neuroimaging Initiative (ADNI) (NIH U01AG024904) zur Verfügung gestellt. Datensammlung und-Sharing für dieses Projekt wurde von der Alzheimer-Krankheit Neuroimaging Initiative (ADNI) (National Institutes of Health Grants U01 AG024904) finanziert. Abbott, AstraZeneca AB, Bayer Schering Pharma AG, Bristol-Myers Squibb, Eisai Global Clinical Development, Elan Corporation,: ADNI wird durch das National Institute on Aging, National Institute of Biomedical Imaging and Bioengineering, und durch großzügige Spenden aus den folgenden finanziert Genentech, GE Healthcare, GlaxoSmithKline, Innogenetics, Johnson und Johnson, Eli Lilly and Co., Medpace, Inc., Merck &amp; Co., Inc., Novartis AG, Pfizer Inc, F. Hoffman-La Roche, Schering-Plough, Synarc , Inc., und Wyeth, sowie Non-Profit-Partner der Alzheimer-Gesellschaft und der Alzheimer-Drug Discovery Foundation, mit der Teilnahme von der US Food and Drug Administration. Beiträge des privaten Sektors zu ADNI werden von der Stiftung für das National Institutes of Health (erleichtert <a href="http://www.fnih.org">http://www.fnih.org</a> ). Der Stipendiat Organisation ist die Northern California Institute for Research and Education, und die Studie wird von der Alzheimer-Krankheit Cooperative Study an der University of California, San Diego koordiniert. ADNI Daten werden vom Labor für Neuro Imaging an der University of California, Los Angeles verbreitet. Diese Arbeit wurde auch von NIH gewährt P30 AG010129, AG030514 K01 und die Dana Foundation unterstützt.

<ol><li> Um einen konzeptionellen Überblick über multivariate Analyse können wir Bild einer sehr einfachen Situation: eine hypothetische Daten für 50 menschlichen Teilnehmern, bei denen nur drei Regionen, wie Voxeln (= 3-dimensional Pixel in Abbildung 1) im Gehirn bezeichnet gesetzt wurden gemessen. (Insert Abbildung 1 hier lesen Beschriftung wie Voice-over). </li><li> Das allgemeine Ziel der multivariaten Analyse ist es, die wichtigsten Quellen der Varianz in den Daten zu identifizieren und dann beschreibt die wichtigsten Auswirkungen der Interesse an den Daten in Bezug auf diese Quellen der Varianz. Abbildung 2 zeigt ein einfaches Beispiel. (Abbildung 2 einfügen hier lesen Beschriftung wie Voice-over). </li><li> Wir wenden nun sowohl univariate und multivariate Analyse, um eine klinische Daten eingestellt. Wir heruntergeladen FDG-PET Scans Ruhestätte für 95 frühen Alzheimer-Patienten und 102 gleichaltrigen Kontrollen aus der Website der Alzheimer-Krankheit Neuroimaging Initiative (http://www.loni.ucla.edu/ADNI/). Wir zufällig ausgewählten 20-Scans von Patienten und Kontrollen und bezeichnet sie als unsere Ableitung Probe. Die restlichen 75 und 82 Scans bzw. sind unsere Replikation Probe. Univariate und multivariate Alzheimer-Krankheit (AD)-Marker wird nun in die Ableitung Probe abgeleitet werden, und ihre diagnostische Wirksamkeit bei der Replikation Probe getestet. </li><li> Für die univariate Marker, wir dagegen die 20 AD-Scans mit den 20 Kontrollen in der Ableitung Probe scannt und holen das Gehirn Ort, der stärkste Rückgang in PET-Signal in der AD-Patienten zeigt, wie durch ein T-Test gezeigt. Um zu testen, die diagnostische Wirksamkeit dieser Region, prüfen wir die Daten in der Replikation Probe an diesem Ort und Handlung ihre PET-Signal als Funktion der Krankheitsstatus. </li><li> Für die multivariate Marker, wir zunächst eine PCA auf die zusammen 40 Scans in der Ableitung Probe, und konstruiert anschließend ein Kovarianz-Muster aus den ersten 5 Hauptkomponenten, deren Gegenstand Skalierungsfaktor zeigt eine maximale mittlere Differenz zwischen AD-Patienten und gesunden Kontrollpersonen. (Details finden Sie in dieser repräsentativen Papiere 2 zu entnehmen.) Die Diagnose-Kovarianz Muster erhalten bilden die Ableitung Probe wird dann prospektiv auf die Replikation Probe aufgetragen. Die daraus resultierende unterliegen Skalierungsfaktoren werden in Abhängigkeit von der Krankheit Status dargestellt. </li><li> Um einen allgemeinen Vergleich der beiden univariate und multivariate Ansätze aus Schritt 4 und 5, führen wir eine "split sample" Simulation und wiederholen Sie die beiden Schritte 1.000 Mal auf resampled Daten jedes Mal, wenn Bildung einer 20/20 Ableitung Probe und eine 75/82 Replikation von AD-Patienten und gesunden Kontrollen von neuem. Univariate und multivariate Krankheitsmarker sind aus der Ableitung Probe berechnet und die Entscheidung Schwelle ist so eingestellt, dass maximal 1 gesunden Kontrollpersonen als AD (= Spezifität 95%) ist falsch klassifiziert. Die Krankheit Marker mit ihren spezifischen Entscheidung Schwellenwerte sind dann prospektiv auf die Replikation Proben angewandt. Die Klassifizierung Fehlerraten bei der Replikation Probe für alle Resampling Iterationen aufgezeichnet. </li></ol> Repräsentative Ergebnisse Univariate Performance Die Ergebnisse können im Detail in Abbildung 3 zu sehen. Die Fläche der größte AD-bezogenen FDG Defizit wurde in der Super-temporalen Gyrus, Brodmann Bereich 38 gefunden. Die Fläche unter der ROC-Kurve erreicht wurde AUC = 0,90. Die Verallgemeinerung dieser Gegensatz zu der Replikation Probe war sehr gut mit einer Fläche unter der ROC-Kurve von AUC = 0,84. Multivariate Performance Die Ergebnisse können im Detail in Abbildung 4 zu sehen. Die Gebiete mit positiven Ladungen, was auf eine relative Erhaltung des Signals in das Gesicht der Krankheit wurden im Kleinhirn gefunden, während verbundenen Signalverlust der parietotemporal und frontalen Bereichen, und dem hinteren Gyrus cinguli gefunden wurde. Die Flächen unter der ROC-Kurven in beide Ableitung und Replikation Proben wurden etwas besser als die univariate Marker bei 0,96 und 0,88, beziehungsweise. Split-Sample-Simulationen Die Ergebnisse können im Detail in Abbildung 5 zu sehen. Die Abbildung zeigt, dass die multivariate Marker besser Replikation der diagnostischen Leistung als die univariate Marker gibt. Die mittlere Gesamt-Fehlerquote für die multivariate Marker 0,203, während für die univariate Marker es 0,307 ist. <img src="/files/ftp_upload/1988/1988fig1.jpg" alt="Abbildung 1" data-altupdatedat="1787634011000" data-alt="Abbildung 1"> . Abbildung 1 Diese einfache Abbildung beschreibt den Unterschied zwischen uni-und multivariaten analytischen Strategien: eine hypothetische 3-dimensionalen Datensatz wird in dieser Abbildung dargestellt. Auf der linken Seite, gibt es keine Korrelation zwischen den 3 Variablen aufgezeichnet. Auf der rechten Seite dagegen kann man sehen, eine wichtige Quelle der Varianz zeigt eine positive Korrelation zwischen allen drei Voxeln. Eine univariate Analyse, die nur als Mittelwerte auf einer Voxel-by-Voxel-Basis konnte nicht sagen, einen Unterschied zwischen diesen beiden Szenarien. Multivariate Analyse, im Gegensatz, identifiziert die wichtigsten Quellen von Variance in den Daten (roter Pfeil), bevor Sie fortfahren, um neuronale Aktivierungsmuster Konstrukt bilden diese Quellen. <img src="/files/ftp_upload/1988/1988fig2.jpg" alt="Abbildung 2" data-altupdatedat="1787634011000" data-alt="Abbildung 2"> Abbildung 2. Diese Folie zeigt in vereinfachter Form die grundlegenden Ausführung einer multivariaten Analyse in Neuroimaging-Daten. Die Daten-Array Y (s, x), die auf ein Sachregister s, und ein Voxel Index x, der die Position des Voxels im Gehirn abhängt, ist in eine Summe von mehreren Bedingungen zerlegt. Erstens, ein Produkt von einer rein fachlichen abhängigen Faktor Gäste, ssf (s), und eine rein Voxel-abhängige Kovarianz Muster, v (x). Zweitens, die Aktivierung, die nicht für durch die Kovarianz Muster zu bilanzieren sind in einem Fach-und Voxel-abhängige Rauschen Begriff, e (s, x) erfasst. Die beiden folgenden Grafiken die Gleichung ein Beispiel geben, das Thema Skalierungsfaktor und die Kovarianz-Muster. Jeder Teilnehmer zeigt die Kovarianz-Muster, nur in unterschiedlichem Maße, wie das Motiv Faktorwerte dargestellt. Anstatt den Überblick über alle Voxel das Verhalten getrennt zu halten, bieten die Kovarianz Muster und ihr Gegenstand Ausdruck eine sparsame Zusammenfassung der wichtigsten Quelle der Varianz. Da das Thema Skalierungsfaktor erhöht in der Größe, verringern Sie die Bereiche in blau in der Kovarianz-Muster bezeichnet die damit verbundenen Aktivierung, während die Bereiche angegeben in rot erhöhen gleichzeitig die damit verbundenen Aktivierung. Das Thema Faktorwerte kann mit externen Variablen von Interesse wie Subjekt des Alters oder der Verhaltensleistung in einer kognitiven Aufgabe korreliert werden, und keine Korrektur für multiple Vergleiche hat, um diese Korrelation angewendet werden. Verschiedene Techniken für eine solche Zerlegung existiert, aber die häufigste ist Principal Components Analysis (PCA). Dies ist die Technik der Wahl für uns. Beachten Sie, dass unter Skalierungsfaktoren durch Projektion der Kovarianz Muster in Daten von gleicher Dimensionalität gesetzt, nicht nur die Datenmenge, die die Kovarianz Muster in erster Linie produziert erzielt werden kann. Dies macht Kovarianz Mustern geeignet zum Testen, ob Hirn-Verhaltens-Beziehungen, die in einem Datensatz beobachtet wurden in einem anderen Datensatz repliziert werden können. <img src="/files/ftp_upload/1988/1988fig3.jpg" alt="Abbildung 3" data-altupdatedat="1787634011000" data-alt="Abbildung 3"> Abbildung 3. Diese Abbildung zeigt das Ergebnis der univariaten Analyse. In der unteren linken Fenster sind die FDG-Signal-Werte für den Bereich, der größte AD-bezogenen Defizit in der Ableitung Beispiel zeigt, dargestellt. Seine MNI-Koordinaten sind X = 2 mm, Y = -48 mm, Z = 30mm (Precuneus / PCG, Brodmann Bereich 31). Das untere rechte Bild zeigt die FDG-Signal an diesem Standort in der Replikation Probe. Man kann verstehen, dass die FDG Unterschiede zwischen AD-Patienten und Kontrollen bei der Replikation Probe, während immer noch signifikant insgesamt mit mehr Überschneidungen zwischen den Gruppen reduziert werden. <img src="/files/ftp_upload/1988/1988fig4.jpg" alt="Abbildung 4" data-altupdatedat="1787634011000" data-alt="Abbildung 4"> Abbildung 4. Diese Abbildung zeigt die Ergebnisse der multivariaten Analyse. In der oberen Platte, zeigen wir mehrere axiale Schnitte, die deutlich positiv und negativ gewichtet Bereiche (p &lt;0,001) in der Kovarianz-Muster in rot und blau zeigen jeweils. Beachten Sie, dass wir in jedem Zyklus skaliert durch seine globale Mittelwert, geben Sie dies rote und blaue Farbe eher relativ und absolut zu-und abnimmt von PET-Signal mit der Schwere der Erkrankung. Rote Flächen damit andeuten relativen Erhaltung im Angesicht der Krankheit, während Blau zeigt einen Verlust des Signals als Folge der Krankheit. Rote Flächen sind vor allem im Kleinhirn gefunden, während blaue Flächen in den hinteren Gyrus cinguli, parietotemporal und frontalen Regionen erscheinen. Untere linke Tafel: das Thema Faktorwerte der AD-bezogenen Kovarianz Muster sind in der Ableitung Probe angezeigt. Höhere Subjektwerte sind für die Alzheimer-Patienten gefunden. Untere rechte Tafel: das Thema Faktorwerte aus der prospektiven Anwendung der AD-bezogenen Kovarianz Muster, um die Replikation Probe sind hier dargestellt. Man kann schätzen, eine leichte Verschlechterung der diagnostischen Gegensatz zu erhöhten überschneiden sich in der Replikation Probe, aber die Verallgemeinerung der diagnostische Wirksamkeit ist deutlich besser als im eindimensionalen Fall. <img src="/files/ftp_upload/1988/1988fig5.jpg" alt="Abbildung 5" data-altupdatedat="1787634011000" data-alt="Abbildung 5"> Abbildung 5. Diese Abbildung zeigt die Ergebnisse der 1.000 split-sample-Simulationen. Aufgeführt sind Mittelwerte und Standardabweichungen der univariate und multivariate Diagnostik Fehlerraten bei der Replikation Proben. Man kann verstehen, dass die multivariate Marker Verallgemeinerung der Leistung deutlich besser ist, wenn auch etwas variabler als die univariate Markers.

<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>

Wir hoffen, dass angesichts der Betrachter einen Eindruck von den Grundlagen der multivariaten Analyse, interessierte Zuschauer sind aufgefordert, Sie auf unserer Webseite. Ein paar Entscheidungen für Parameter in der multivariaten Analyse wurden das kann Gegenstand Debatte zu heftigen Diskussionen sein. Wir verschont die Diskussion dieser Fragen in diesem Artikel Ablenkung von den großen Themen zu vermeiden. Zuerst haben wir uns für die ersten 6 Hauptkomponenten unserer AD-bezogenen Kovarianz Muster zu konstruieren. Es gibt theoretische Gründe für diese Wahl, dass wir nicht zu diskutieren 4. Die besondere Auswahl von 6 Hauptkomponentenanalyse ist jedoch nicht entscheidend für unser Argument: Man kann im Bereich wählte 2 bis 20 PCs und immer noch überlegen Verallgemeinerung Leistung der multivariaten Marker in der Split-Sample-Simulationen. Die Ergebnisse sind ähnlich robust gegenüber der Wahl der Zahl von Patienten in Ableitung und Replikation Proben. Wir haben 20 Probanden in beiden Gruppen bei der Replikation Probe, aber das war rein mathematische Bequemlichkeit zur Beschleunigung der Berechnungen. Unsere Ergebnisse über die relativen Vorteile beider Techniken würde ähnlich halten, wenn die Anzahl der Patienten in der Ableitung Proben wurden erhöht. Zweitens haben wir nur präsentiert die elementarsten Art von multivariaten Analyse. Erhebliche Komplikation mit Techniken aus der Machine-Learning Literatur, lineare und nicht-lineare Transformationen vor der PCA und verschiedene andere Falten entlehnt sind denkbar, dass könnte die Verallgemeinerung Leistung noch zu steigern. Der Einfachheit halber haben wir nicht auf diese Möglichkeiten in diesem Artikel angesprochen.

grundlagen der multivariaten analyse in neuroimaging-daten

Basics of Multivariate Analysis in Neuroimaging Data

Multivariate Analyseverfahren für Neuroimaging Daten haben in letzter Zeit zunehmend Beachtung gefunden, da sie viele attraktive Features, die nicht einfach durch die am häufigsten gebrauchten univariate, Voxel-weise, Techniken realisiert werden können, haben<sup&gt; 1,5,6,7,8,9</sup&gt;. Multivariate Ansätze zu bewerten Korrelation / Kovarianz der Aktivierung über Hirnregionen, anstatt Verfahren auf ein Voxel-by-Voxel-Basis. So können die Ergebnisse besser als Signatur der neuronalen Netze ausgelegt werden. Univariate Ansätze, auf der anderen Seite kann nicht direkt auf die interregionale Korrelation im Gehirn. Multivariate Ansätze können auch in größeren statistische Ergebnis, wenn mit univariate Techniken, die gezwungen, sehr strengen Korrekturen für Voxel-weise multiple Vergleiche beschäftigen werden verglichen. Weitere, multivariate Techniken eignen sich auch viel besser, prospektive Anwendung der Ergebnisse aus der Analyse eines Datensatzes zu ganz neuen Datensätzen. Multivariate Techniken sind somit gut positioniert, um Informationen über mittlere Unterschiede und Zusammenhänge mit dem Verhalten, ähnlich wie univariate Ansätze, mit potenziell größeren statistische Power und bessere Reproduzierbarkeit Kontrollen vorgesehen. Im Gegensatz zu dieser Vorteile ist die hohe Hürde der Einreise in die Verwendung von multivariaten Methoden, verhindert weitere weit verbreitete Anwendung in der Gemeinde. Um die Neurowissenschaftler vertraut zu machen mit multivariaten Analyseverfahren, könnte einen ersten Überblick über das Feld derzeit eine verwirrende Vielfalt von Ansätzen, die, obwohl algorithmisch ähnlich, mit unterschiedlichen Schwerpunkten vorgestellt werden, die typischerweise von Menschen mit Mathematik Hintergründen. Wir glauben, dass multivariate Analyseverfahren haben genügend Potenzial, um eine bessere Verbreitung zu rechtfertigen. Forscher sollten in der Lage sein, sie in eine fundierte und leicht zugängliche Art und Weise beschäftigen. Der aktuelle Artikel ist ein Versuch einer didaktischen Einführung von multivariaten Verfahren für den Anfänger. Eine Einführung in die konzeptionellen ist mit einer sehr einfachen Anwendung eines diagnostischen Daten aus der Alzheimer-Krankheit Neuroimaging Initiative (ADNI), was deutlich zeigt, die überlegene Leistung der multivariaten Ansatz gesetzt gefolgt.

Der aktuelle Artikel beschreibt die Grundlagen der multivariaten Analyse und Kontraste es am häufigsten verwendeten Voxel-weise univariaten Analyse. Beide Arten der Analyse sind zu einem klinisch-neurowissenschaftliche Datensatz angelegt. Ergänzende Split-half-Simulationen zeigen, besser Replikation der multivariaten Ergebnisse in unabhängigen Datensätzen.

Grundlagen der multivariaten Analyse in Neuroimaging-Daten

Multivariate Analyseverfahren für Neuroimaging-Daten haben in jüngster Zeit zunehmend Beachtung gefunden, da sie über viele attraktive Eigenschaften verfügen, die nicht ...

Dieses Video demonstriert und vergleicht multivariate und univariate Analyseverfahren für Neurobildgebungsdaten anhand von Anwendungen in der Diagnose von Alzheimer. Zunächst werden die Gehirnaktivitäten von 20 Patienten mit früher Alzheimer-Erkrankung und 20 altersangepassten gesunden Kontrollpersonen für die univariate Analyse gegenübergestellt. SPM wird verwendet, um die Hirnregion zu identifizieren, die bei den Alzheimer-Patienten im Vergleich zu den Kontrollprobanden den größten relativen Defizit in der FDG-PET-Signalintensität aufweist.Für die multivariate Analyse wird eine Hauptkomponentenanalyse mit linearer Diskriminanzanalyse verwendet, um die Markerergebnisse abzuleiten. Diese weisen darauf hin, dass der multivariate Marker eine bessere diagnostische Leistung als der univariate Marker aufweist und eine überlegene Generalisierung gegenüber unabhängigen Daten bietet. Hallo, ich bin Christian Halbeck vom TA-Institut der Abteilung für Neurologie am Columbia University Medical Center. Heute zeigen wir Ihnen ein Beispiel einer multivariaten Datenanalyse von neurobildgebenden Daten.Wir verwenden dieses Verfahren in unserem Labor, um die optimale Methode zur Früherkennung der Alzheimer-Krankheit anhand von Neurobildgebungsdaten zu untersuchen. Beginnen wir also. Lassen Sie uns zunächst einen konzeptionellen Überblick über die multivariate Analyse von Neurobildgebungsdaten geben.Multivariate Ansätze bewerten die Korrelation der Aktivität über verschiedene Hirnregionen hinweg, anstatt – wie bei der univariaten Analyse – voxelweise vorzugehen. Beispielsweise kann man sich einen einfachen, hypothetischen Datensatz von 50 menschlichen Teilnehmern vorstellen, bei dem lediglich drei als Voxel bezeichnete Regionen im Gehirn gemessen wurden. Das allgemeine Ziel der multivariaten Analyse besteht darin, die wesentlichen Varianzquellen in den Daten zu identifizieren und anschließend die interessierenden Haupteffekte in den Daten zu beschreiben.In Bezug auf diese Variantenquellen berücksichtigt die univariate Analyse keine Korrelation zwischen Voxel. Beide hier gezeigten Darstellungen würden von der univariaten Analyse unabhängig davon, ob eine Korrelation zwischen den Voxel besteht oder nicht, identisch behandelt. In diesem Video wird das Analyseverfahren sowohl für die univariate als auch für die multivariate Analyse an einem klinischen Datensatz demonstriert, der FTG-PET-Ruhescans von 95 Patienten mit früher Alzheimer-Erkrankung (AD) und 102 gesunden, hinsichtlich relevanter Merkmale angepassten Kontrollpersonen enthält. Von allen Gehirnbildern wurden zufällig jeweils 20 von Patienten und Kontrollpersonen als Stichprobe für die Ableitung ausgewählt.Die verbleibenden 75 bzw. 82 Scans bilden die Replikationsstichprobe. Nun sehen wir uns an, wie univariate und multivariate Analysen auf diesen Datensatz angewendet werden können. Beginnend mit dem univariaten Ansatz, ermitteln Sie den Univar-Marker für Alzheimer-Krankheit mithilfe der SPM-Software. Um die 20 AD-Scans mit den 20 Kontroll-Scans in der Ableitungsstichprobe zu vergleichen, wählen Sie die Hirnregion aus, die bei den AD-Patienten im Vergleich zu den Kontrollen den stärksten Rückgang des PET-Signals aufweist.Mithilfe eines T-Tests zur Überprüfung der diagnostischen Wirksamkeit dieser Region prüfen Sie die Daten der Replikationsstichprobe für dieselbe Hirnregion und stellen das PET-Signal in Abhängigkeit vom Krankheitsstatus grafisch dar. Anschließend ermitteln Sie den multivariaten Marker. Für die multivariate Analyse wird eine benutzerdefinierte MATLAB-Toolbox, die online verfügbar ist, unter Verwendung der benutzerdefinierten MATLAB-Toolbox genutzt.Führen Sie eine Hauptkomponentenanalyse (PCA) an den kombinierten 40 Scans der Entwicklungsstichprobe durch. Konstruieren Sie anschließend ein Covance-Muster aus den ersten sechs Hauptkomponenten, deren Probandenscore eine maximale mittlere Differenz zwischen 80 Patienten und gesunden Kontrollen aufweist. Sobald das diagnostische Covance-Muster aus der Entwicklungsstichprobe gewonnen ist, wenden Sie es auf die Replikationsstichprobe an, tragen die resultierenden Probandenscores in Abhängigkeit vom Krankheitsstatus auf und vergleichen die Leistung in beiden Stichproben.Um einen allgemeineren Vergleich univariater und multivariater Ansätze zu ermöglichen, führen Sie eine Split-Sample-Simulation durch und wiederholen Sie die vorherigen Schritte 1000-mal an resampelten Daten. Dabei wird jedes Mal eine neue Stichprobe mit 20 Patienten und 20 Kontrollpersonen für die Ableitung sowie eine Replikationsstichprobe mit insgesamt 80 Patienten und gesunden Kontrollpersonen im Verhältnis von 75 zu 82 gebildet. Split-Sample-Simulationen sind in der methodischen Forschung üblich, da sie eine einfache Überprüfung der in der Ableitungsstichprobe ermittelten Marker ermöglichen, indem die Vorhersagefehler in der Replikationsstichprobe erfasst werden. Berechnen Sie univariate und multivariate Krankheitsmarker aus der Ableitungsstichprobe und legen Sie die Entscheidungsschwelle so fest, dass höchstens eine gesunde Kontrollperson fälschlicherweise als an Demenz erkrankt klassifiziert wird, was einer Spezifität von 95 % entspricht. Wenden Sie anschließend die Krankheitsmarker mit ihren spezifischen Entscheidungsschwellen auf die Replikationsstichproben an und notieren Sie die Klassifikationsfehlerraten in der Replikationsstichprobe für alle Resampling-Durchläufe. Nun betrachten wir die Ergebnisse der univariaten und multivariaten Analysen sowie der Split-Sample-Simulationsnachbildungen.Für die Univ-Bereichsanalyse. Der Bereich des größten, mit der Erkrankung assoziierten FDG-Mangels lag im Precuneus-Brodmann-Areal 31. Die unter der Rock-Kurve erreichte Fläche betrug 0,90.Die Verallgemeinerung dieses Kontrasts auf die Replikationsstichprobe war recht gut mit einer Fläche unter der ROC-Kurve von 0,84 für die multivariate Analyse. Bereiche mit positiven Ladungen deuten auf eine relative Erhaltung des Signals angesichts der Erkrankung hin und wurden im Kleinhirn gefunden, während assoziierter Signalverlust in den parietotemporalen und frontalen Bereichen sowie im hinteren Gyrus cinguli beobachtet wurde. Die Flächen unter den ROC-Kurven sowohl in der Ableitungs- als auch in der Replikationsstichprobe waren mit 0,96 bzw. 0,88 leicht besser als die des univariaten Markers. Aus den insgesamt erfassten Klassifikationsfehlerraten der 1000 Split-Sample-Simulationen wird deutlich, dass der multivariate Marker eine bessere Replikation der diagnostischen Leistung liefert als der univariate Marker. Soeben haben wir Ihnen gezeigt, wie man die multivariate Analyse auf das diagnostische Problem der Alzheimer-Krankheit in FDG-PET-Aufnahmen anwendet.Alle Daten sind öffentlich über die Website der Alzheimer's Disease Neuroimaging Initiative verfügbar. Wenn dieses Verfahren mit echten Daten durchgeführt wird, ist es wichtig zu bedenken, dass zuvor die üblichen Schritte der Qualitätskontrolle angewendet wurden. Keine Analyse kann aus schlechten Daten Wunder erzeugen.Das war's. Vielen Dank fürs Zuschauen und viel Erfolg bei Ihrer Analyse.

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

Research

Forschung

JoVE Journal

Neuroscience

Neurowissenschaften

Klassische multivariate Muster-Analyse prognostiziert Sinnesreize ein Thema nimmt von neuronaler Aktivität in den entsprechenden Kortex (zB visuelle Reize aus der Tätigkeit in visuellen Kortex). Hier wenden wir Musteranalyse cross-modal und zeigen, dass Sound-und Touch-was bedeutet, optische Reize aus der Tätigkeit in auditorischen und somatosensorischen Kortex vorhergesagt werden kann, bzw..

Cross-Modal Multivariate Pattern Analysis

Wir beschreiben einen neuartigen Ansatz für die gleichzeitige Analyse der Struktur und Funktion des Gehirns unter Verwendung der Kernspintomographie (MRI). Wir beurteilen Hirnstruktur mit hochauflösenden Diffusions-gewichteten Bildgebung und der weißen Substanz Faser Traktographie. Im Gegensatz zu Standard strukturelle MRT, ermöglichen diese Techniken uns direkt betreffen anatomischen Konnektivität zu funktionellen Eigenschaften des Gehirns Netzwerke.

Co-Analyse von Hirnstruktur und-funktion mittels fMRT und Diffusionsgewichtete Imaging

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.

Identification of Disease-bezogene räumliche Kovarianz Patterns mit Neuroimaging Daten

Informationelle Konnektivität misst die Entsprechung zwischen Zeitverläufen von Multi-Voxel-Informationen über verschiedene Gehirnregionen hinweg. Zeitreihen zur Unterscheidbarkeit von Multi-Voxel-Mustern werden aus Regionen extrahiert und verglichen, wodurch Netzwerke sichtbar werden, die in einem typischen funktionalen Konnektivitätsansatz nicht identifiziert werden.

Mit Informations Konnektivität, um das synchrone Entstehung von fMRI Multi-Voxel-Informationen Auf Zeit messen

Das Default Mode Network (DMN) in Temporallappen-Epilepsie (TLE) ist im Ruhezustand des Gehirns mit Seed-basierte funktionelle Konnektivität MRI (fcMRI) analysiert.

Netzwerkanalyse des Default Mode Netzwerk mit Functional MRI-Konnektivität in Temporallappen-Epilepsie

Standard-EEG-Analysetechniken bieten nur begrenzte Einblicke in die Funktion des Nervensystems. Die Ableitung statistischer Modelle kortikaler Konnektivität bietet eine weitaus größere Möglichkeit, die zugrunde liegende Netzwerkdynamik zu untersuchen. Eine verbesserte funktionelle Bewertung eröffnet neue Möglichkeiten für Diagnose, Prognose und Ergebnisvorhersage bei Erkrankungen des Nervensystems.

Statistische Modellierung der kortikalen Konnektivität mit nichtinvasiven Elektroenzephalogrammen

Dies ist eine 3T-Magnetresonanztomographie-Studie, die darauf abzielt, Volumenunterschiede zwischen Cannabis-induzierten Psychose-Patienten und nicht-psychotischen chronischen Cannabiskonsumenten zu untersuchen.

Gehirnmorphologie von Cannabiskonsumenten mit oder ohne Psychose: Eine MrT-Pilotstudie

Trotz der entscheidenden Rolle des Plexus choroideus im Gehirn sind Neuroimaging-Studien dieser Struktur aufgrund des Mangels an zuverlässigen automatisierten Segmentierungswerkzeugen rar. Das vorliegende Protokoll zielt darauf ab, eine manuelle Segmentierung des Aderhautplexus nach Goldstandard zu gewährleisten, die in zukünftige Neuroimaging-Studien einfließen kann.

Manuelle Segmentierung des menschlichen Aderhautplexus mittels Hirn-MRT

Wir stellen ein Protokoll zur Erforschung der neuronalen Korrelate einer kognitiven Emotionsregulationsaufgabe, nämlich der kognitiven Neubewertung, mit Hilfe der funktionellen Magnetresonanztomographie vor. Dieses Protokoll wurde bei Patienten mit Zwangsstörung und gesunden Kontrollen angewendet, kann aber auch in anderen klinischen Proben verwendet werden.

Erforschung der neuronalen Korrelate der kognitiven Neubewertung bei Zwangsstörungen mit Hilfe der aufgabenbasierten funktionellen Magnetresonanztomographie

Eine Technik ist für die breite Öffnung der Blut-Hirn-Schranke in der Maus mit Mikrobläschen und Ultraschall beschrieben. Mit dieser Technik können Mangan, um Gehirn der Maus verabreicht werden. Da Mangan ist ein MRT-Kontrastmittel, die in Neuronen depolarisiert ansammelt, erlaubt dieser Ansatz eine Bildgebung neuronaler Aktivität.

Funktionelle Bildgebung mit Ultraschall-Blut-Hirnschranke Störung und Mangan-MRT

Lernen Sie multivariate Analysemethoden für Neuroimaging-Daten zur Alzheimer-Diagnose. Diese Technik zeigt bessere diagnostische Leistung und überlegene Generalisierung auf unabhängige Datensätze.

Grundlagen der multivariaten Analyse in Neuroimaging-Daten

Weitere Videos entdecken