Name: Identification of Disease-bezogene räumliche Kovarianz Patterns mit Neuroimaging Daten (Video) | JoVE Journal
Uploaded: 2013-06-26T13:00:00.000+00:00
Duration: 14 min 27 s
Description: Erfahren Sie die Identifizierung von Krankheits-biomarkern mittels multivariater PCA-Analyse von Neuroimaging-Daten. Diese Methode ermöglicht die Unterscheidung von Patienten und Kontrollgruppen durch räumliche Kovarianzmuster.

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

Diese Arbeit wurde durch Grant No P50NS071675 (Morris K. Udall Center of Excellence in Parkinson Disease Research am Feinstein Institut für medizinische Forschung) an DE vom National Institute of Neurological Disorders and Stroke unterstützt. Der Inhalt ist allein in der Verantwortung der Autoren und nicht unbedingt den offiziellen Standpunkt des National Institute of Neurological Disorders and Stroke oder der National Institutes of Health. Der Sponsor nicht spielen eine Rolle in Studiendesign, Erhebung, Analyse und Interpretation von Daten, Schreiben des Berichts oder in der Entscheidung, das Papier zur Veröffentlichung einreichen.

1. Datenerhebung und Vorverarbeitung <ol><li> 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. </li><li> Scannen Sie jedes Thema für Einzel-oder Gruppen-Assessment. Für Muster Ableitung, scannen eine gleiche Anzahl von geschlechts-und altersspezifischen passenden Patienten und Kontrollen. </li><li> 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, <a href="http://www.feinsteinneuroscience.org" target="_blank">www.feinsteinneuroscience.org</a> ) 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. </li><li> 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) ( <a href="http://www.fil.ion.ucl.ac.uk/spm" target="_blank">http://www.fil.ion.ucl.ac.uk/spm</a> ), 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. </li></ol> 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, <a href="http://www.feinsteinneuroscience.org" target="_blank">www.feinsteinneuroscience.org</a> auch als SPM Toolbox ssm_pca). <ol><li> 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. </li><li> 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. </li><li> Verwandeln Sie jede Dateneingabe auf logarithmische Form. </li><li> 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 &quot;Restgehalt&quot; 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 </li><li> 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) </li><li> 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. </li><li> 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. </li></ol> 3. Biomarker-Muster Ableitung <ol><li> 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). </li><li&gt; 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. </li><li> 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 &lt;0,05 und vaf&gt; 5%) verbunden. Normalerweise genügen ein oder zwei PCs das Kriterium für PET-Daten. </li><li> 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. </li><li> 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. </li><li> 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. </li></ol> 4. Einzel-Thema Prospective Score Auswertung mit einer vorgegebenen Biomarker <ol><li> 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 </li><li> 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. </li></ol>

Dr. Eidelberg als Miterfinder von zwei US-Patente auf die Verwendung von Imaging-Marker für Patienten für Nervensystem Dysfunktion (ohne Gewinnabsicht) aufgelistet. Es gibt keine weiteren Angaben.

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...

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 &quot;Netzwerke&quot; 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 </sup&gt; (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 &quot;look-alike&quot;-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 &quot;Netzwerke&quot; 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.

<table><tbody><tr><td colspan="4">Image Acquisition </td></tr><tr><td>PET-Scanner</td><td>GE Medical Systems</td><td>GE Advance</td><td>Any PET-, PET/CT- und PET/MRT-Scanner von GE, Siemens und Philips </td></tr><tr><td>PC-Workstations</td><td>Lenovo</td><td>Any</td><td><a href="http://www.lenovo.com/us/en/" target="_blank">http://www.lenovo.com/us/en/</a></td></tr><tr><td colspan="4"> Radiopharmazeutika </td></tr><tr><td>[18F]-Fluordesoxyglucose</td><td>Feinstein Institute for Medical</td><td>Research Routineproduktion</td><td>Auch vertrieben von Cardinal Health <a href="http://www.cardinal.com/" target="_blank">http://www.cardinal.com/<a> </td></tr><tr><td colspan="4">Software </td></tr><tr><td>ScanVP</td><td>Feinstein Institute for Medical Research</td><td>Version 5.9.1, Version 6.2, Zu veröffentlichen<</td><td>a href="http://www.feinsteinneuroscience.org/" target="_blank">www.feinsteinneuroscience.org</a></td></tr><tr><td>SPM</td><td>Das UCL Institut für Neurologie</td><td>spm99-spm8</td><td><a href="http://www.fil.ion.ucl.ac.uk/spm" target="_blank">http://www.fil.ion.ucl.ac.uk/spm</a></td></tr><tr><td>Windows</td><td>Microsoft</td><td>Beliebig</td><td></td></tr><tr><td>Matlab</td><td>Mathworks</td><td>Matlab Version 7.0, 7.3</td><td><a href="http://www.mathworks.com/" target="_blank">http://www.mathworks.com/</a></td></tr><tr><td>JMP</td><td>SAS</td><td>Version 5</td><td><a href="http://www.jmp.com/" target="_blank">http://www.jmp.com/</a></td></tr></tbody></table>

identification of disease-bezogene räumliche kovarianz patterns mit neuroimaging daten

Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data

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.

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...

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

The scaled subprofile model (SSM)1-4 is a multivariate PCA-based algorithm that identifies major sources of variation in patient and control group brain ...

Das übergeordnete Ziel dieses Verfahrens besteht darin, charakteristische bildgebende Biomarker im Covance-Muster für neurofunktionelle Erkrankungen des Gehirns zu bestimmen. Dies wird erreicht, indem zunächst Einzelvolumen-Aufnahmen des Gehirns einer Gruppe klinisch vorab diagnostizierter Patienten sowie einer alters- und vorzugsweise geschlechtsgematchten Kontrollgruppe gesunder Probanden mithilfe von Verfahren wie PET-SPECT, A-S-L-F-M-R-I oder V-B-M-M-R-I erstellt werden. Der zweite Schritt besteht darin, die Bilder räumlich auf eine gemeinsame stereotaktische Vorlage zu normalisieren.Danach eine multivariate Technik. Das skalierte Subprofilmodell der Hauptkomponentenanalyse oder S-S-M-P-C-A wird durchgeführt, und die resultierenden Hauptkomponenten (PCs) sowie die entsprechenden Subjektscores werden untersucht. Der letzte Schritt besteht darin, die beste Hauptkomponente oder Kombination von Hauptkomponenten zu bestimmen, die ein Kovarianzmuster definieren, welches Patienten von Kontrollen unterscheidet.Schließlich kann das Kovarianz-Muster verwendet werden, um einzelne Probanden hinsichtlich ihres Krankheitsausmaßes zu bewerten. Ein Vorteil dieser Methode im Vergleich zu einigen verbreiteten single-voxel-vergleichenden Techniken besteht in der Fähigkeit, die Aktivität von Netzwerken im Gehirn zu identifizieren und zu messen. Dabei handelt es sich um verteilte regionale Kovarianz-Muster im Gehirn.Vor allem ermöglicht es, die Aktivität eines bestimmten Netzwerks im Gehirn zu messen und sie durch eine einzelne Zahl zusammenzufassen, die eine wichtige Größe für die klinische Untersuchung darstellt. Diese Methode kann helfen, zentrale Fragen im Bereich der Neurowissenschaften zu beantworten, beispielsweise die Identifizierung der Stoffwechselnetzwerke bei verschiedenen neurologischen Erkrankungen, die in den frühen Stadien des Krankheitsverlaufs ähnliche Symptome aufweisen. Die Bedeutung dieser Technik reicht sowohl für die Differenzialdiagnose als auch für die Therapieplanung bei Erkrankungen wie dem Morbus Parkinson, da ein einzelner Wert pro Proband ermittelt werden kann, der anschließend für die Differenzialdiagnose und Therapieplanung verwendet werden kann.Obwohl diese Methode Einblicke in Parkinson-Syndrome ermöglichen kann, ist sie ebenfalls auf andere neurodegenerative Erkrankungen wie die Huntington-Krankheit und die Alzheimer-Krankheit anwendbar. Im Allgemeinen haben Personen, die neu in dieser Methode sind, Schwierigkeiten mit vorbestehenden einheitlichen Konzepten, die die Wirkungen der Krankheit auf isolierte regionale Cluster beschränken.Die Idee zu dieser Methode hatte ursprünglich Dr. James Moler, als er dieses Konzept zur Untersuchung von Demenz bei AIDS-Patienten anwandte. Eine visuelle Demonstration dieser Methode ist wichtig, um die an der Netzwerkanalyse beteiligten Prozesse zu verstehen. Die eigentlichen Schritte zur Nutzung unserer Programme sind jedoch nicht schwer zu erlernen, da sie hochgradig automatisiert sind. Um den Hirnstoffwechsel mittels Positronen-Emissions-Tomographie oder PET zu untersuchen, verabreichen Sie zunächst jedem Patienten in der Krankheitsgruppe nach einem Fasten von mindestens 12 Stunden und ohne Medikamente sowie jedem gesunden Kontrollprobanden einen radioaktiven Tracer wie 18F-Fluordesoxyglukose.45 Minuten warten, damit der Tracer im Gewebe das Gleichgewicht erreicht. Danach jeden Probanden im Ruhezustand mit offenen Augen scannen, um das Muster abzuleiten. Nach Abschluss des Scans eine gleiche Anzahl an geschlechts- und H-matchenden Patienten und Kontrollpersonen scannen.Übertragen Sie Bilddaten auf eine Workstation und konvertieren Sie sie in ein geeignetes Format für die Analyse. Die hier verwendete Windows-basierte MATLAB-Analyse-Software erfordert eine Konvertierung von GE-Advanced-Formaten in Analyze- oder NIfTI-Format-Bilder. Normalisieren Sie anschließend das Bild jedes Probanden mit einem standardmäßigen Neuroimaging-Softwarepaket wie SPM in einen gemeinsamen stereotaktischen Raum, sodass eine Eins-zu-Eins-Entsprechung der Voxelwerte zwischen den Probanden besteht.Wenden Sie dann eine graue Substanz-Maske auf das normalisierte Bild an, um die Analyse auf Bereiche der grauen Substanz zu beschränken. Falls keine externe Maske verfügbar ist, erstellen Sie individuelle Masken für jeden Probanden, indem Sie Werte ausschließen, die unter einem festgelegten Schwellenwert liegen. Verwenden Sie einen bestimmten Prozentsatz des maximalen Wertes jedes Probanden und multiplizieren Sie die Masken, um einen zusammengesetzten Voxelraum für die graue Substanz des Gehirns für die Analyse zu definieren.Um eine multivariate skalierte Subprofilmodell-Hauptkomponentenanalyse oder S-S-M-P-C-A durchzuführen, verwenden Sie die internen Routinen scan VP, die auf der Feinstein Neuroscience-Website verfügbar sind. Alternativ als Toolbox für statistische parametrische Abbildung: SSM PCA im Menü scan VP, wählen Sie Statistik, dann SSM, dann voxelbasiert und anschließend PCA.Als Nächstes wählen Sie bestimmte Kontrollen im Menü aus und wählen die zuvor normalisierten Kontrollbilder. Danach wählen Sie Bilddateien aus, um die normalisierten Patientenbilder einzugeben. Wählen Sie eine geeignete Maske oder Schwelle und überprüfen Sie die anderen Optionen im Menü.Drücken Sie anschließend „Process“ und geben Sie einen Namen für die experimentelle Ausgabe ein. Warten Sie, bis die Anzeige Hauptkomponentenbilder von Interesse in ihren entsprechenden Score-Dateien für andere Software zeigt. Emulieren Sie den Algorithmus, der durch den zuvor beschriebenen automatisierten Prozess ausgeführt wird.Um dies zu erreichen, verwenden Sie zunächst Bilddaten mit einer verfügbaren Null-Eins-Maske, um unerwünschte Bereiche des Voxelraums wie weiße Substanz und Ventrikel zu entfernen, wie im Vorverarbeitungsschritt beschrieben. Konvertieren Sie anschließend die maskierten 3D-Bilddaten jeder Versuchsperson in einen einzigen kontinuierlichen Zeilenvektor, indem Sie sequenzielle Scanzellen aus aufeinanderfolgenden Ebenen anhängen, um eine Gruppendatenmatrix zu bilden, sodass die Daten jeder Versuchsperson einer bestimmten Zeile der Matrix entsprechen. Jede Spalte repräsentiert dann einen bestimmten Voxel über alle Versuchspersonen hinweg.Nachdem jedes Subjekt in die Matrix eingegeben wurde, wandeln Sie jeden Datensatz in logarithmische Form um. Anschließend zentrieren Sie die Datenmatrix, indem Sie den Durchschnitt jeder Zeile oder den Mittelwert des Subjekts von den Elementen der Zeile subtrahieren. Der Durchschnitt aller zentrierten Zeilen stellt ein charakteristisches gruppenweites mittleres Log-Bild, einen Gruppenmittelwert, ein mittleres Profil oder GMP dar.Danach subtrahieren Sie die Spaltenmittelwerte von den entsprechenden Matrixspaltenelementen. Jede Zeile der doppelt zentrierten Matrix stellt ein Residualbild dar, das als subjektspezifisches Residualprofil oder SRP bezeichnet wird, dessen Elemente Abweichungen sowohl vom Subjekt-S- als auch vom Voxel-V-Gruppenmittelwert darstellen. Dies geschieht gemäß der hier gezeigten Gleichung, wobei S-R-P-S-V ein Element der SRP-Matrix ist, das dem Subjekt S und dem Voxel V entspricht. DSV ist der ursprüngliche Datenwert, Mittelwert S ist der mittlere Wert des Subjekts und GMPV ist der Gruppenmittelwert des Voxels V. Anschließend konstruieren Sie die subjektübergreifende Kovarianzmatrix C der zusammengesetzten doppelt zentrierten SRP-Datenmatrix, indem Sie die nicht normalisierte Kovarianz zwischen jedem Paar von Zeilen der Matrix des subjektspezifischen Residualprofils berechnen.Unter Verwendung dieser hier gezeigten Gleichung, bei der CIJ ein Element der symmetrischen Kovarianzmatrix C ist und c, RRP IV und CRP JV entsprechende Voxel-Elemente der CRP-Matrix rose INJ sind, die über alle Voxel multipliziert und summiert werden. Anschließend wird eine Hauptkomponentenanalyse auf die pro-subjekt Kovarianzmatrix C angewendet. Das Ergebnis ist ein Satz von Subjektscore-Eigenvektoren mit zugehörigen Eigenwerten. Danach wird jeder Vektor gewichtet, indem er mit der Quadratwurzel seines entsprechenden Eigenwerts multipliziert wird.Die Menge der Score-Eigenvektoren wird durch die Spalten der hier gezeigten Matrix S dargestellt. Als Nächstes werden Voxel-Eigenvektoren für denselben Satz von Eigenwerten bestimmt, indem die Score-Vektor-Matrix mit der Transponierten der Residualprofil-Matrix der Probanden multipliziert wird. Dadurch entsteht ein Array P aus Voxel-Muster-Eigenvektoren in absteigender Reihenfolge der Eigenwerte gemäß der hier gezeigten Gleichung, wobei P die Matrix der Hauptkomponenten-Voxel-Eigenvektoren ist.SRPT ist die Transponierte der SRP-Matrix und S ist die Score-Vektor-Matrix; anschließend wird jeder Vektor in ein Hauptkomponentenbild transformiert. Jedes Hauptkomponentenbild wird einem Prozentsatz der insgesamt erklärten Varianz oder VAF zugeordnet, der der relativen Größe seines Eigenwerts entspricht. Untersuchen Sie die Ergebnisse der Hauptkomponentenanalyse, um Muster zu identifizieren, die mit hohen erklärten Werten assoziiert sind.Voxel-Muster-Vektoren und -Werte werden z-transformiert, sodass ihre Werte positive und negative Standardabweichungen von den Mittelwerten darstellen. Anschließend versuchen Sie, regionale Abweichungen zu identifizieren, die mit der untersuchten Erkrankung assoziiert sind. Untersuchen Sie dann Streudiagramme der Werte, die den einzelnen Hauptkomponentenmustern entsprechen.Optional kann auch eine Receiver-Operating-Characteristic-Kurve erstellt werden, um ein krankheitsspezifisches Muster zu identifizieren. Beurteilen Sie die Unterscheidung der Probandenscores zwischen Patienten und Kontrollen anhand der P-Werte der entsprechenden Zweistichproben-t-Tests und der Werte für die Fläche unter der Kurve. Anschließend werden die ausgewählten Hauptkomponenten vektornormalisiert und linear kombiniert, um ein einzelnes, krankheitsbezogenes Muster zu erhalten.Dazu wird die MATLAB-Funktion GLM fit verwendet, um Koeffizienten basierend auf logistischen oder anderen Regressionsmodellen zu bestimmen, die auf die Bewertungen der Probanden angewendet werden. Sobald ein Biomustermuster identifiziert wurde, kann man dessen Score-Ausdruck bei einem zukünftigen Probanden anhand dessen individueller Aufnahme bewerten; dieser Vorgang wird über TPR im Menü durchgeführt. Verwenden Sie dazu eine einfache Berechnung des inneren Skalarprodukts des SRP-Vektors des Probanden und des GIS-Mustervektors.Schließlich sollte der resultierende potenzielle Musterbiomarker durch Bootstrap-Resampling mit externer Software sowie durch eine Vorwärtsvalidierung an unabhängigen Probandengruppen weiter validiert werden. Die Vorwärtsvalidierung wird durch die Verwendung der TPR zur Bestimmung der Scores für eine prospektive Kohorte erleichtert. Dargestellt sind hier axiale Schnittbilder durch den Ursprung der ersten vier Hauptkomponentenbilder der SSM-Analyse von 10 klinisch diagnostizierten Parkinson-Patienten und 10 alters- und geschlechtsangepassten Kontrollpersonen.Die warmen Farben zeigen relative Zunahmen der Stoffwechselaktivität an. Gemäß diesem Prinzip trägt die Komponente zum Gesamtreseiduenprofil des Probanden bei, während kalte Farben relative Abnahmen des Stoffwechsels anzeigen. Die erste Hauptkomponente wies die größte erklärte Varianz oder VAF-Wert sowie den kleinsten P-Wert auf, was einer hohen Signifikanz entspricht, und ist die einzige, die allein als potenzieller unabhängiger Biomarker in Betracht gezogen werden könnte.Die signifikanten variationsreichen Bereiche, die zum Gesamtmuster beitragen, werden deutlich, wenn sie in orthogonalen Ansichten dargestellt werden. Über einem strukturellen MRT-Bildhintergrund kann die Kombination von Hauptkomponenten verwendet werden, um die Signifikanz zu erhöhen, wie im Fall der Komponenten eins und vier, bei denen sich der P-Wert verringert, was auf eine höhere Signifikanz hindeutet. Diese Diagramme zeigen die unabhängigen Balkendiagramme und Streudiagramme der Z-Werte der Probanden für die erste und vierte Hauptkomponente. Die erste Hauptkomponente unterscheidet signifikant zwischen Patienten und Kontrollen.Während die vierte einen Trend zeigt. Die lineare logistische Kombination der Hauptkomponente eins und der Hauptkomponente vier verbessert die Diskriminierung. Wie zuvor angegeben, zeigt das kombinierte Muster eine vollständige Trennung bei einem Z-Score-Schwellenwert von 0,9.Die Kombination der Hauptkomponente drei zeigt eine leicht verbesserte Unterscheidungsfähigkeit im Vergleich zur Kombination der Komponenten eins und vier, jedoch führte die Einbeziehung aller vier Hauptkomponenten aufgrund der fehlenden Unterscheidungskapazität der Hauptkomponente zwei nicht zu einer Verbesserung der Datentrennung. Hier werden die prognostischen Bewertungswerte für Muster der Hauptkomponente eins sowie für kombinierte Muster der Hauptkomponenten eins und vier, der Hauptkomponenten eins, drei und vier sowie der Hauptkomponenten 1, 2, 3 und vier für 22 gesunde Kontrollpersonen und 22 Parkinson-Patienten dargestellt. Die Flächen unter der Kurve sowie die Sensitivität scheinen bei Kombination von mehr als zwei Hauptkomponenten abzunehmen.Während P-Werte tendenziell weniger robust werden, wurde in UC und P-Werten eine nicht signifikante Verbesserung für PC eins vier gegenüber PC eins allein festgestellt, im Gegensatz zu dem signifikanten Unterschied, der in der Herstichprobe vorhergesagt wurde. Sobald Scans von Patienten mit einer Erkrankung und Kontrollpersonen benötigt werden, um realistische und valide Krankheitsmuster zu identifizieren und zu validieren, wird dies mithilfe dieses Algorithmus zu einem einfachen Verfahren. Nachdem die Krankheitsmuster identifiziert und validiert wurden, können andere Methoden wie die Korrelationsanalyse von Patientenscores mit unabhängigen klinischen Messgrößen verwendet werden, um zusätzliche Fragen zu beantworten.Beispielsweise, ob der bildgebende Biomarker motorische oder kognitive Erscheinungsformen einer Erkrankung widerspiegelt oder ob die Ausprägung von Krankheitsmustern helfen kann, zwischen verschiedenen Erkrankungen zu unterscheiden, die ähnliche Symptome in schwer diagnostizierbaren klinischen Fällen aufweisen. Vergessen Sie nicht, dass dieses Verfahren nicht direkt auf Zeitreihen-funktionelle MRT-Daten angewendet werden kann, aufgrund der dynamischen Schwankungen der Antwort und des geringen Signal-Rausch-Verhältnisses, das mit FMRT-Signalen assoziiert ist.

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

Research

Forschung

JoVE Journal

Medicine

Medizin

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

Wir verwenden magneto-und Elektroenzephalographie (MEG / EEG) mit anatomischen Information durch Magnetresonanztomographie (MRI) aufgenommenen kombiniert, um die Dynamik des kortikalen Netzwerk mit auditorischen Aufmerksamkeit zugeordnet abzubilden.

Mapping Kortikale Dynamics Mit Simultaneous MEG / EEG und anatomisch eingeschränkt Minimum-Norm Schätzungen: ein Auditory Achtung Beispiel

Dieses Video stellt eine Methode zur Untersuchung altersbedingter Veränderungen der funktionellen Konnektivität der kognitiven Steuerungsnetzwerke durch gezielte Aufgaben / Prozesse beschäftigt. Die Technik basiert auf multivariate Analyse von fMRI-Daten.

Eine Methode zur Untersuchung altersbedingte Unterschiede in der Funktions Konnektivität der kognitiven Kontrolle Networks Verbunden mit Performance-Dimensional Change Card sortieren

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

Die MRT mit funktioneller Konnektivität im Ruhezustand hat Anomalien bei Patienten mit einer Vielzahl von neuropsychiatrischen Störungen identifiziert, einschließlich Epilepsie aufgrund von Fehlbildungen der kortikalen Entwicklung. Die transkranielle Magnetstimulation in Kombination mit dem EEG kann zeigen, dass Patienten mit Epilepsie in Regionen mit abnormaler Konnektivität eine kortikale Übererregbarkeit aufweisen.

Ein Multimodal Imaging- und Stimulations-basierte Verfahren zur Bewertung der Connectivity-bezogenen Erregbarkeit des Gehirns bei Patienten mit Epilepsie

Basierend auf ruhenden Zustand funktionelle Magnetresonanztomographie mit Granger Kausalität Analyse, untersuchten wir die Änderungen in die gezielte funktionelle Verknüpfung zwischen den hinteren cingulären Kortex und ganze Gehirn bei Patienten mit Alzheimer-Krankheit (AD), Patienten mit Mild Cognitive Impairment (MCI) und gesunden Kontrollpersonen.

Anwendung von Granger Kausalität Analyse des gerichteten funktionalen Zusammenhangs in der Alzheimer-Krankheit und Mild Cognitive Impairment

Hier ist ein praktisches Tutorial für eine offene, standardisierte Bildverarbeitungspipeline zum Zwecke der Läsion-Symptom-Mapping. Für jeden Verarbeitungsschritt wird eine schrittweise Vorgehensweise angeboten, von der manuellen Infarktsegmentierung auf CT/MRT über die anschließende Registrierung bis hin zum Standardraum sowie praktische Empfehlungen und Illustrationen mit beispielhaften Fällen.

Brain Infarct Segmentation und Registrierung auf MRT oder CT für Lesion-Symptom Mapping

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

Das Protokoll zur Durchführung von fNIRS-Hyperscanning-Experimenten an kollaborativen Lerndyaden in einer naturalistischen Lernumgebung wird skizziert. Darüber hinaus wird eine Pipeline zur Analyse der Inter-Brain Synchrony (IBS) von sauerstoffhaltigen Hämoglobin (Oxy-Hb) -Signalen vorgestellt.

Inter-Brain Synchrony im offenen kollaborativen Lernen: Eine fNIRS-Hyperscanning-Studie

In dieser Arbeit wird ein integrativer Ansatz zur Untersuchung des funktionellen Netzwerks für die räumliche Navigation im menschlichen Gehirn vorgestellt. Dieser Ansatz umfasst eine groß angelegte metaanalytische Datenbank für Neuroimaging, funktionelle Magnetresonanztomographie im Ruhezustand sowie Netzwerkmodellierung und graphentheoretische Techniken.

Modellierung des funktionalen Netzwerks für die räumliche Navigation im menschlichen Gehirn

Die Wavelet-Transformationskohärenz (WTC) ist eine gängige Methode zur Bewertung der Kopplung zwischen Signalen, die in Hyperscanning-Studien der funktionellen Nahinfrarotspektroskopie (fNIRS) verwendet wird. In dieser Arbeit wird ein Werkzeugkasten zur Beurteilung der Richtungsabhängigkeit der Signalwechselwirkung vorgestellt.

Neuer Rahmen für das Verständnis der hirnübergreifenden Kohärenz in funktionellen Hyperscanning-Studien der Nahinfrarotspektroskopie (fNIRS)

Erfahren Sie die Identifizierung von Krankheits-biomarkern mittels multivariater PCA-Analyse von Neuroimaging-Daten. Diese Methode ermöglicht die Unterscheidung von Patienten und Kontrollgruppen durch räumliche Kovarianzmuster.

Identification of Disease-bezogene räumliche Kovarianz Patterns mit Neuroimaging Daten

Weitere Videos entdecken