Identification of Disease-bezogene räumliche Kovarianz Patterns mit Neuroimaging Daten

Das übergeordnete Ziel dieses Verfahrens ist es, charakteristische Biomarker für die Covance-Musterbildgebung von neurofunktionellen Hirnerkrankungen zu bestimmen. Dies wird erreicht, indem zunächst Einzelvolumen-Gehirnscans einer Gruppe klinisch vordiagnostizierter Patienten und eines alters- und vorzugsweise geschlechtsgleichen Satzes normaler Kontrollen unter Verwendung von Modalitäten wie PET spect, A-S-L-F-M-R-I oder V-B-M-M-R-I erhalten werden. Der zweite Schritt besteht darin, die Bilder räumlich auf eine gemeinsame stereotaktische Vorlage zu normalisieren.

Als nächstes eine multivariate Technik. Das skalierte Unterprofilmodell der Hauptkomponentenanalyse oder S-S-M-P-C-A wird durchgeführt, und die Ausgabehauptkomponenten oder PCs und die entsprechenden Probandenbewertungen werden untersucht. Der letzte Schritt besteht darin, den besten PC oder eine Kombination von PCs zu bestimmen, die ein Covance-Muster definieren, das Patienten von Kontrollen unterscheidet.

Letztendlich kann das Covance-Muster verwendet werden, um einzelne potenzielle Probanden nach ihrer Ausprägung der Krankheit zu bewerten. Der Vorteil dieser Methode im Vergleich zu einigen der populären Einzelvoxel-Vergleichstechniken ist die Fähigkeit, die Aktivität von Gehirnnetzwerken zu identifizieren und zu messen. Dabei handelt es sich um verteilte regionale Covance-Muster im Gehirn.

Vor allem aber ermöglicht es man, die Aktivität eines bestimmten Netzwerks im Gehirn zu messen und sie in einer einzigen Zahl zusammenzufassen, was ein wichtiges Attribut für klinische Untersuchungen ist. Diese Methode kann helfen, Schlüsselfragen im Bereich der Neurowissenschaften zu beantworten, wie z.B. die Identifizierung der metabolischen Netzwerke für verschiedene neurologische Erkrankungen, die in den frühen Stadien des Krankheitsverlaufs ähnliche Symptome aufweisen. Die Implikationen dieser Technik erstrecken sich sowohl auf die Differentialdiagnose als auch auf die Behandlungsplanung für Krankheiten wie die Parkinson-Krankheit, da ein einzelner Probanden-Score erhalten werden kann, der dann auf die Differentialdiagnose und Behandlungsplanung angewendet werden kann.

Diese Methode kann jedoch einen Einblick in Parkinson-Syndrome geben. Es kann auch bei anderen neurodegenerativen Erkrankungen wie der Hunting-Krankheit und der Alzheimer-Krankheit angewendet werden. Im Allgemeinen haben Individuen, die neu in dieser Methode sind, Schwierigkeiten mit vorgefassten Univa-Konzepten, die davon ausgehen, dass die Auswirkungen von Krankheiten in isolierten regionalen Clustern lokalisiert sind.

Dr. James Moler hatte die Idee zu dieser Methode, als er dieses Konzept auf die Untersuchung von Demenz bei AIDS-Patienten anwendete. Die visuelle Demonstration dieser Methode ist wichtig, um die Prozesse bei der Netzwerkanalyse zu verstehen. Die eigentlichen Schritte bei der Verwendung unserer Programme sind jedoch nicht schwer zu erlernen, da sie hochgradig automatisiert sind. Um den Gehirnstoffwechsel mit Positronen-Emissions-Tomographie oder PET zu untersuchen, verabreichen Sie zunächst jedem Patienten in der Krankheitsgruppe einen Radionuklid-Tracer wie 18 F Fluor, Desoxyglukose nach einem Fasten von mindestens 12 Stunden ohne Medikamente und jeder normalen Kontrolle.

Warten Sie 45 Minuten, bis der Tracer das Gleichgewicht im Gewebe erreicht hat. Scannen Sie dann jede Einzelperson, während sie sich in Ruhe befindet und die Augen offen hält, um Muster abzuleiten. Scannen Sie eine gleiche Anzahl von Patienten und Kontrollen, die mit Geschlecht und H übereinstimmen, sobald der Scan abgeschlossen ist.

Übertragen Sie Bilddaten auf eine Workstation und konvertieren Sie sie in ein geeignetes Format für die Analyse. Die Windows-basierte MATLAB-Analysesoftware, die hier verwendet wird, erfordert eine Konvertierung von ge-Advanced-Formaten zur Analyse oder zum Formatieren von Bildern. Als nächstes normalisieren Sie das Bild jedes Probanden mit einem Standard-Neuroimaging-Softwarepaket wie SPM in einen gemeinsamen stereotaktischen Raum, so dass es eine Eins-zu-Eins-Entsprechung der Voxelwerte zwischen den Probanden gibt.

Wenden Sie dann eine Maske der grauen Substanz auf das normalisierte Bild an, um die Analyse auf die Bereiche der grauen Substanz zu beschränken. Wenn keine externe Maske verfügbar ist, erstellen Sie individuelle Motivmasken, indem Sie Werte ausschließen, die unter einem bestimmten Schwellenwert liegen. Prozentsatz des Maximalwerts jedes Probanden und multiplizieren Sie die Masken, um einen zusammengesetzten Voxelraum für die graue Hirnsubstanz für die Analyse zu definieren.

Um eine multivariate skalierte Komponentenanalyse des SubProfile-Modellprinzips oder S-S-M-P-C-A durchzuführen, verwenden Sie die hauseigene Routine scan VP, die auf der Feinstein Neuroscience-Website verfügbar ist. SSM PCA ist auch als statistisch-parametrische Mapping-Toolbox verfügbar und wählt im Menü "Scan VP" die Option "Statistik" aus. Dann SSM, dann Voxel-basiert und dann PCA.

Aktivieren Sie als Nächstes Steuerelemente auswählen im Menü und wählen Sie die zuvor normalisierten Kontrollbilder aus. Wählen Sie dann Bilddateien aus, um die normalisierten Patientenbilder einzugeben. Wählen Sie eine geeignete Maske oder einen geeigneten Schwellenwert aus und überprüfen Sie die anderen Optionen im Menü.

Drücken Sie anschließend auf "Process" und geben Sie einen Namen für die experimentelle Ausgabe ein. Warten Sie, bis die Anzeige die Bilder der Hauptkomponenten von Interesse in den entsprechenden Partiturdateien für andere Software anzeigt. Emulieren Sie den Algorithmus, der von dem gerade beschriebenen automatisierten Prozess ausgeführt wird.

Um dies zu erreichen, verwenden die ersten Maskendaten eine verfügbare Null-Eins-Bildmaske, um unerwünschte Bereiche des Voxelraums wie weiße Substanz und Ventrikel zu entfernen, wie im Vorverarbeitungsschritt beschrieben. Konvertieren Sie als Nächstes die maskierten 3D-Bild-Fuchslochdaten jedes Motivs in einen kontinuierlichen Zeilenvektor, indem Sie sequenzielle Scanzeilen aus aufeinanderfolgenden Ebenen in einer Gruppendatenmatrix anhängen, sodass die Daten jedes Motivs einer bestimmten Zeile der Matrix entsprechen. Jede Spalte stellt dann ein bestimmtes Voxel für alle Themen dar.

Nachdem jedes Subjekt in die Matrix geladen wurde, transformieren Sie jeden Dateneintrag in logarithmische Form. Zentrieren Sie dann die Datenmatrix, indem Sie jeden Zeilendurchschnitt oder jeden Subjektmittelwert von den Zeilenelementen subtrahieren. Der Durchschnitt aller zentrierten Zeilen stellt eine charakteristische Gruppe Mean Log Image, Term to Group, Mean Profile oder GMP dar.

Subtrahieren Sie als Nächstes die Spaltenmittelwerte von den entsprechenden Matrixspaltenelementen. Jede Zeile der doppelt zentrierten Matrix stellt ein Residuenbild dar, das als Subjekt-Residuenprofil oder SRP bezeichnet wird, dessen Elemente Abweichungen sowohl von der Subjekt-S- als auch von der Voxel-V-Gruppe darstellen, was bedeutet, dass dies gemäß der hier gezeigten Gleichung geschieht, wobei S-R-P-S-V ein Element der SRP-Matrix ist, das Subjekt S und Voxel entspricht. VDSV ist der Mittelwert des ursprünglichen Datenwerts, S ist der Mittelwert des Subjekts und GMPV ist der Gruppenmittelwert des Voxels V. Als nächstes konstruieren wir die Subjekt-für-Subjekt-Covance-Matrix C der zusammengesetzten doppelzentrierten SRP-Datenmatrix, indem Sie die nicht normalisierte Covance zwischen jedem Zeilenpaar der Subjekt-Restprofilmatrix berechnen.

Unter Verwendung dieser hier gezeigten Gleichung, in der CIJ ein Element der symmetrischen Covance ist, sind Matrix C und c, RRP IV und CRP JV entsprechende Voxelelemente der CRP-Matrix Rose INJ, die über alle Voxel multipliziert und summiert werden. Wenden Sie dann die Hauptkomponentenanalyse auf das Subjekt nach Subjekt an Covance-Matrix C. Die Ergebnisse sind ein Satz von Probanden-Score-Egen-Vektoren mit zugehörigen Egen-Werten. Als nächstes gewichten Sie jeden Vektor, indem Sie ihn mit der Quadratwurzel des entsprechenden egen-Werts multiplizieren.

Die Menge der Eigenvektoren der Punktzahl wird durch die hier gezeigten Spalten der Matrix S dargestellt. Bestimmen Sie als Nächstes Voxel-Egen-Vektoren für denselben Satz von Egen-Werten, indem Sie die Score-Vektormatrix mit der Transponierung der Subjekt-Restprofilmatrix multiplizieren. Dadurch wird ein Array P des Voxelmusters erstellt, egen-Vektoren in absteigender Reihenfolge der egen-Werte gemäß der hier gezeigten Gleichung, wobei P die Matrix der Hauptkomponenten-Voxel-Egen-Vektoren ist.

SRPT ist die Transponierung der SRP-Matrix und S ist die Score-Vektormatrix, dann transformieren Sie jeden Vektor in ein Hauptkomponentenbild. Jedes Hauptkomponentenbild wird einem Prozentsatz der berücksichtigten Gesamtvarianz (VAF) zugeordnet, der der relativen Größe seines Igon-Werts entspricht. Untersuchen Sie die Ergebnisse der Hauptkomponentenanalyse, um Muster zu bestimmen, die mit hohen berücksichtigten Werten verbunden sind.

Voxelmustervektoren und -werte werden Z-transformiert, sodass ihre Werte positive und negative Standardabweichungen von den Mittelwerten darstellen. Versuchen Sie als nächstes, regionale Abweichungen zu identifizieren, die mit der zu untersuchenden Krankheit verbunden sind. Untersuchen Sie dann Streudiagramme der Ergebnisse, die den einzelnen Hauptkomponentenmustern entsprechen.

Optional kann auch ein Empfänger-Betriebsmerkmalsdiagramm erstellt werden, um ein krankheitsspezifisches Muster zu identifizieren. Bewerten Sie die Differenzierung der Probandenwerte zwischen Patienten und Kontrollen, indem Sie die P-Werte der entsprechenden beiden T-Tests und der Fläche unter den Kurvenwerten untersuchen. Der nächste Vektor normalisiert und kombiniert die ausgewählten Hauptkomponenten linear, um ein einzelnes krankheitsbezogenes Muster zu erhalten.

Um dies zu erreichen, wird die MATLAB-Funktion GLM fit verwendet, um Koeffizienten auf der Grundlage von logistischen oder anderen Regressionsmodellen zu bestimmen, die auf Probandenbewertungen angewendet werden. Sobald ein Biomarkermuster identifiziert wurde, können Sie seine Score-Ausprägung bei einem potenziellen Probanden anhand des Scans dieser Person bewerten, dieser Vorgang wird von TPR im Menü durchgeführt. Um dies zu erreichen, verwenden Sie eine einfache Berechnung des internen Punktvektorprodukts des SRP-Vektors des Subjekts und des GIS-Mustervektors.

Schließlich wird der resultierende potenzielle Muster-Biomarker durch Bootstrap-Resampling mit externer Software und durch Vorwärtsvalidierung unabhängiger Probandengruppen weiter validiert. Die Vorwärtsvalidierung wird durch die Verwendung von TPR zur Bestimmung der Punktzahlen für eine prospektive Kohorte erleichtert. Hier sind axiale Darstellungen durch den Ursprung der ersten vier Hauptkomponentenbilder der SSM-Analyse von 10 klinisch diagnostizierten Parkinson-Patienten mit 10 alters- und geschlechtsangepassten Kontrollen.

Die heißen Farben zeigen eine relative Zunahme der Stoffwechselaktivität an. Innerhalb dieses Prinzips ist der Beitrag der Komponente zum Gesamtresidualprofil des Probanden, während kalte Farben eine relative metabolische Abnahme anzeigen. Die Hauptkomponente eins hatte die größte berücksichtigte Varianz, den VAF-Wert, und den kleinsten P-Wert, was eine hohe Signifikanz darstellt und die einzige ist, die allein als potenzieller unabhängiger Biomarker angesehen werden kann.

Die signifikanten Variationsbereiche, die zum Gesamtmuster beitragen, sind offensichtlich, wenn sie in orthogonalen Ansichten dargestellt werden. Über einem MRT-Strukturbildhintergrund kann die Kombination der Hauptkomponenten verwendet werden, um zu versuchen, die Signifikanz zu erhöhen, wie im Fall der Komponenten eins und vier, wobei in Kombination der P-Wert gesenkt wird, was auf eine höhere Signifikanz hindeutet. Diese Diagramme zeigen nur die unabhängigen Balkendiagramme und Streudiagramme der Z-Werte des Ableitungssubjekts der Hauptkomponente eins und der Hauptkomponente vier. Die erste Hauptkomponente unterscheidet Patienten signifikant von Kontrollen.

Während die vierte einen Trend zeigt. Die lineare logistische Kombination aus Hauptkomponente eins und Hauptkomponente vier verbessert die Unterscheidung. Wie bereits angedeutet, zeigt das kombinierte Muster eine perfekte Trennung bei einem Z-Score-Schwellenwert von 0,9.

Die Kombination der Hauptkomponente drei zeigt eine leicht erhöhte Diskriminierung gegenüber der Kombination von eins und vier, aber alle vier Hauptkomponenten haben die Datendiskriminierung aufgrund der Nichtdiskriminierungsfähigkeit des Prinzips nicht verbessert. Bestandteil. Zweitens, die prospektive Score-Auswertung von Mustern für die Hauptkomponente eins und kombinierte Muster der Hauptkomponenten eins und vier Hauptkomponenten eins, drei und vier sowie der Hauptkomponenten 1, 2, 3 und vier für 22 normale Kontrollen und 22 Parkinson-Patienten. Die Fläche unter den Kurvenwerten und die Empfindlichkeit scheinen bei mehr als zwei kombinierten Hauptkomponenten abzunehmen.

Während die P-Werte tendenziell weniger robust werden, wurde bei den UC- und P-Werten für PC eins vier gegenüber PC eins allein eine unbedeutende Verbesserung festgestellt. Im Gegensatz zu dem signifikanten Unterschied, der in der Ableitungsstichprobe vorhergesagt wurde. Sobald Scans von Patienten mit einer Krankheit und Kontrollpersonen die Identifizierung und Validierung realistischer und valider Krankheitsmuster erfordern, wird es mit diesem Algorithmus zu einem unkomplizierten Verfahren. Nachdem die Krankheitsmuster identifiziert und validiert wurden, können andere Methoden wie die Korrelationsanalyse von Patientenscores mit unabhängigen klinischen Messungen verwendet werden, um zusätzliche Fragen zu beantworten.

Zum Beispiel, ob der bildgebende Biomarker motorische oder kognitive Manifestationen von Krankheiten widerspiegelt oder ob die Ausprägung von Krankheitsmustern helfen kann, zwischen verschiedenen Zuständen zu unterscheiden, die in schwer zu diagnostizierenden klinischen Fällen ähnliche Symptome aufweisen. Vergessen Sie nicht, dass dieses Verfahren aufgrund der dynamischen Schwankungen in der Reaktion und des geringen Signal-Rausch-Verhältnisses, die mit FMRI-Signalen verbunden sind, nicht direkt auf funktionale MRT-Daten von Zeitreihen angewendet werden kann.