Name: Fundamentos del análisis multivariante de los datos de neuroimagen (Video) | JoVE Journal
Uploaded: 2010-07-24T17:00:00.000+00:00
Duration: 6 min 35 s
Description: Aprende análisis multivariante de neuroimagen para diagnóstico de Alzheimer usando PCA y análisis discriminante lineal. Este método mejora el rendimiento diagnóstico respecto al análisis univariante.

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

El autor agradece el apoyo de las subvenciones del NIH:
Enfoques multivariantes para el análisis de neuroimágenes NIH/NIBIB 5R01EB006204-03
Detección temprana de la EA con RM por perfusión con etiquetado arterial y análisis de covarianza NIH/NIA 5R01AG026114-02
ADNI: Los datos de imágenes fueron proporcionados por la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer (Alzheimer's Disease Neuroimaging Initiative, ADNI) (NIH U01AG024904). La recopilación y compartición de datos para este proyecto fue financiada por la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer (ADNI) (Concesión de los Institutos Nacionales de Salud, National Institutes of Health, U01 AG024904). ADNI recibe financiamiento del Instituto Nacional sobre el Envejecimiento, el Instituto Nacional de Imagenología Biomédica e Ingeniería Bioquímica, y también gracias a generosas contribuciones de las siguientes entidades: Abbott, AstraZeneca AB, Bayer Schering Pharma AG, Bristol-Myers Squibb, Eisai Global Clinical Development, Elan Corporation, Genentech, GE Healthcare, GlaxoSmithKline, Innogenetics, Johnson and Johnson, Eli Lilly and Co., Medpace, Inc., Merck and Co., Inc., Novartis AG, Pfizer Inc, F. Hoffman-La Roche, Schering-Plough, Synarc, Inc. y Wyeth, así como de organizaciones sin fines de lucro como la Asociación de Alzheimer (Alzheimer's Association) y la Fundación para el Descubrimiento de Fármacos contra el Alzheimer (Alzheimer's Drug Discovery Foundation), con la participación de la Administración de Drogas y Alimentos de los Estados Unidos (U.S. Food and Drug Administration). Las contribuciones del sector privado a ADNI son gestionadas por la Fundación de los Institutos Nacionales de Salud (Foundation for the National Institutes of Health) (<a href="http://www.fnih.org">http://www.fnih.org</a>). La organización beneficiaria de la subvención es el Instituto del Norte de California para la Investigación y la Educación (Northern California Institute for Research and Education), y el estudio es coordinado por el Estudio Cooperativo de la Enfermedad de Alzheimer (Alzheimer's Disease Cooperative Study) en la Universidad de California, San Diego. Los datos de ADNI son difundidos por el Laboratorio de Neuroimagen (Laboratory for Neuro Imaging) de la Universidad de California, Los Ángeles. Esta investigación también recibió apoyo de las subvenciones P30 AG010129, K01 AG030514 de los NIH y de la Fundación Dana.

<ol><li> Para dar una visión conceptual de análisis multivariante podemos imaginar una situación muy simple: un conjunto de datos hipotéticos para 50 personas participantes, en el que sólo tres regiones, denominado voxels (píxeles = 3 dimensiones en la figura 1) en el cerebro se midieron. (Insertar aquí la figura 1, leer subtítulos como voz en off.) </li><li> El objetivo general del análisis multivariante es identificar las principales fuentes de variación en los datos, a continuación, describe los efectos de mayor interés de los datos en términos de estas fuentes de variación. La figura 2 muestra un ejemplo sencillo. (Insertar aquí la figura 2, leer subtítulos como voz en off.) </li><li> Ahora aplicamos el análisis tanto univariable y multivariable de un conjunto de datos clínicos. Hemos descargado FDG-PET de descanso para los 95 primeros pacientes de Alzheimer y 102 controles emparejados por edad de la página web de la Iniciativa de la Enfermedad de Alzheimer de neuroimagen (http://www.loni.ucla.edu/ADNI/). Hemos elegido al azar 20 exploraciones de los pacientes y controles y designada como la muestra de derivación. El 75 y 82 exploraciones, respectivamente, constituyen la muestra de replicación. Univariado y multivariado la enfermedad de Alzheimer (AD) los marcadores ahora se derivará en la muestra de derivación, y su probada eficacia diagnóstica de la muestra de replicación. </li><li> Para el marcador univariado, se contrasta el 20 exploraciones AD con los 20 controles explora en la muestra de la derivación y escoger el lugar del cerebro que muestra la mayor reducción de la señal de PET en los pacientes con EA, como se muestra por un T-test. Para probar la eficacia diagnóstica de esta región, comprobamos los datos de la muestra de replicación en este lugar y la trama de su señal de PET en función del estado de la enfermedad. </li><li> Para el marcador multivariado, en primer lugar realizar un PCA en la combinación de 40 exploraciones en la muestra de derivación, y luego construir un patrón de covarianza de los 5 primeros componentes principales, cuyo objeto factor de escala muestra una diferencia máxima de media entre los pacientes con EA y controles sanos. (Los detalles se encuentran en estos documentos representante 2.) El patrón de covarianza diagnóstico obtenido de la muestra de la derivación es entonces prospectiva aplicada a la muestra de replicación. Los factores de escala resultantes sujeto se representa como una función de estado de la enfermedad. </li><li> Para proporcionar una comparación más general de los enfoques univariado y multivariado de la etapa 4 y 5, se realiza una "muestra de división" de simulación y repetir los dos pasos de 1.000 veces en los datos de muestrear, cada vez que la formación de una muestra de 20/20 y 75/82 derivación una la replicación de los pacientes con EA y de nuevo los controles sanos. Marcadores de la enfermedad univariante y multivariante se calcula a partir de la muestra de la derivación y el umbral de decisión se ajusta de tal manera que la mayor parte en un control sano es incorrectamente clasificada como AD (especificidad = 95%). Los marcadores de la enfermedad con sus umbrales de decisión específicas están prospectiva aplicada a las muestras de replicación. Las tasas de error de clasificación en la muestra de replicación se registran para todas las iteraciones de remuestreo. </li></ol> Resultados representante Rendimiento univariado Los resultados pueden verse en detalle en la figura 3. El área de mayor AD relacionados con déficit de FDG fue encontrado en la circunvolución temporal súper, área de Brodmann 38. El área bajo la curva ROC, se logró AUC = 0,90. La generalización de esta diferencia de la muestra de la replicación era bastante bueno, con un área bajo la curva ROC de las AUC = 0,84. Rendimiento multivariado Los resultados pueden verse en detalle en la Figura 4. Zonas con cargas positivas, haciendo alusión a una relativa preservación de la señal en la cara de la enfermedad fueron encontradas en el cerebelo, mientras que la pérdida asociada de la señal se ha encontrado las áreas parietotemporal y frontal, y la circunvolución cingular posterior. Las áreas bajo las curvas ROC-tanto en la derivación y la replicación de las muestras fueron ligeramente mejores que el marcador univariado a 0,96 y 0,88, respectivamente. Muestra dividida simulaciones Los resultados pueden verse en detalle en la figura 5. La figura muestra que el marcador multivariado ofrece una mejor reproducción de rendimiento diagnóstico que el marcador de una variable. La tasa media de error total para el marcador multivariante es 0,203, mientras que para el marcador univariado es 0,307. <img src="/files/ftp_upload/1988/1988fig1.jpg" alt="Figura 1" data-altupdatedat="1787634011000" data-alt="Figura 1"> . Figura 1 Esta figura simple se describe la diferencia entre las estrategias de análisis univariado y multivariado: una hipotética 3-dimensional conjunto de datos se muestra en esta ilustración. En el lado izquierdo, no hay correlación entre las 3 variables a representar. En el lado derecho por el contrario, se puede ver una de las principales fuentes de variación que indica una correlación positiva entre los tres voxels. Un análisis univariado que acabamos de considerar los valores medios sobre una base voxel por voxel no podría decir la diferencia entre estos dos escenarios. El análisis multivariado, en cambio, identifica las principales fuentes de Variance en los datos (flecha roja) antes de proceder a la construcción de los patrones de activación neuronal forma estas fuentes. <img src="/files/ftp_upload/1988/1988fig2.jpg" alt="Figura 2" data-altupdatedat="1787634011000" data-alt="Figura 2"> Figura 2. Esta diapositiva muestra de forma simplificada el cumplimiento básico de cualquier análisis multivariado de los datos de neuroimagen. La matriz de datos Y (s, x), que depende de un índice de materia s, y un índice de voxel x, lo que indica la ubicación del voxel en el cerebro, se descompone en una suma de varios términos. En primer lugar, un producto de una puntuación factor puramente sujeto dependiente, ssf (s), y un patrón de covarianza puramente voxel-dependiente, v (x). La activación de la segunda, que no puede ser explicada por el modelo de covarianza se captura en un término de ruido sujeto y voxel-dependiente, e (s, x). Los dos gráficos siguientes, la ecuación de dar un ejemplo del factor de escala sujeto y el patrón de covarianza. Cada participante manifiesta el patrón de covarianza, sólo en un grado diferente, como muestra la puntuación factor de tema. En lugar de tener que realizar un seguimiento del comportamiento de cada voxel por separado, el patrón de covarianza y su expresión sujeto un resumen parsimoniosa de la principal fuente de variación. A medida que aumenta el factor de escala en materia de magnitud, las zonas marcadas en azul en el patrón de covarianza disminuir su activación asociada, mientras que las áreas indicadas en rojo al mismo tiempo aumentar su activación asociada. La puntuación de los factores sujeto puede estar correlacionada con las variables externas de interés, como la edad del sujeto o comportamiento en una tarea cognitiva, y sin corrección para comparaciones múltiples se ha de aplicar a esta correlación. Varias técnicas de descomposición que existan, pero la más común es el Análisis de Componentes Principales (ACP). Esta es la técnica de elección para nosotros. Tenga en cuenta que los factores de escala tema se puede obtener mediante la proyección del patrón de covarianza en cualquier conjunto de datos de la dimensión de igualdad, no sólo el conjunto de datos que produce el patrón de covarianza en el primer lugar. Esto hace que los patrones de covarianza adecuados para comprobar que es el cerebro del comportamiento relaciones que se observaron en un conjunto de datos puede ser reproducido en un conjunto de datos diferentes. <img src="/files/ftp_upload/1988/1988fig3.jpg" alt="Figura 3" data-altupdatedat="1787634011000" data-alt="Figura 3"> Figura 3. Esta figura muestra el resultado del análisis univariado. En el panel inferior izquierdo, los valores de la señal de FDG se trazan para el área que muestra más grande de la AD relacionados con el déficit en la muestra de derivación. Sus coordenadas MNI son X = 2 mm, Y = -48 mm, Z = 30 mm (precuneo / PCG, el área de Brodmann 31). El panel inferior derecho muestra la señal de FDG en este mismo lugar en la muestra de replicación. Se puede apreciar que las diferencias entre los pacientes con EA FDG y los controles en la muestra de replicación, mientras que sigue siendo significativa en general, se reducen con mayor coincidencia entre los grupos. <img src="/files/ftp_upload/1988/1988fig4.jpg" alt="Figura 4" data-altupdatedat="1787634011000" data-alt="Figura 4"> Figura 4. Esta figura muestra los resultados del análisis multivariado. En el panel superior, se muestra varios cortes axiales que muestran significativamente positiva y negativamente las áreas ponderada (p &lt;0,001) en el patrón de covarianza en rojo y azul, respectivamente. Tenga en cuenta que a escala en cada ciclo por su valor medio mundial, el color tan rojo y azul indican un aumento relativo y no absoluto y de la señal disminuye y PET con la gravedad de la enfermedad. Las zonas rojas por lo tanto apuntan a una relativa preservación de la faz de la enfermedad, mientras que el azul indica una pérdida de señal, como consecuencia de la enfermedad. Las áreas rojas se encuentran principalmente en el cerebelo, mientras que las zonas azules aparecen en la circunvolución cingular posterior, regiones parietotemporal y frontal. Panel inferior izquierdo: las puntuaciones de los factores tema del patrón de covarianza AD-relacionadas se muestran en la muestra de derivación. Los puntajes más altos se encuentran sujetos a los pacientes de Alzheimer. Panel inferior derecho: las puntuaciones factoriales sujeto resultante de la aplicación prospectiva de la estructura de covarianza AD-relacionados con la muestra de replicación se representan aquí. Se puede apreciar un ligero empeoramiento de la diferencia de diagnóstico con mayor solapamiento en la muestra de la réplica, pero la generalización de la eficacia diagnóstica es notablemente mejor que en el caso univariado. <img src="/files/ftp_upload/1988/1988fig5.jpg" alt="Figura 5" data-altupdatedat="1787634011000" data-alt="Figura 5"> Figura 5. Esta figura muestra los resultados de las 1.000 muestras divididas simulaciones. Enumerados son medias y desviaciones estándar de las tasas de error univariado y multivariado de diagnóstico en las muestras de replicación. Se puede apreciar que la generalización multivariante el marcador de rendimiento es mucho mejor, aunque algo más variable que la del marcador de una variable.

<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>

Esperamos haber dado al espectador una idea de los fundamentos del análisis multivariado, los espectadores interesados ​​se les anima a revisar nuestro sitio web. A pocas opciones para los parámetros en el análisis multivariante que se pueden debatir objeto de considerable debate. Nos salvó la discusión de estas cuestiones en este artículo para evitar la distracción de los temas principales. En primer lugar, se optó por las primeras 6 componentes principales para la construcción de nuestra AD relacionados con patrón de covarianza. Hay razones teóricas para esta elección que no discutimos 4. La elección particular de seis componentes principales, aunque no es esencial para nuestro argumento: uno puede elegir en el rango de 2 a 20 computadoras y todavía obtener un rendimiento superior de la generalización multivariante el marcador en las simulaciones de la muestra dividida. Los resultados son igual de firme con respecto a la elección del número de sujetos en la derivación y las muestras de replicación. Hemos elegido 20 sujetos de ambos grupos en la muestra de la réplica, pero esto fue por pura conveniencia matemática para acelerar los cálculos. Nuestros resultados sobre los méritos relativos de las dos técnicas se mantenga de manera similar, si el número de sujetos en las muestras de derivación se incrementaron. En segundo lugar, sólo se presenta el tipo más básico de análisis multivariante. Complicación considerable con técnicas tomadas de la literatura de aprendizaje de máquina, transformaciones lineales y no lineales antes de la PCA, y varias otras arrugas son factibles que pudieran mejorar el rendimiento de generalización aún más. Para simplificar, no hemos tocado en estas posibilidades en este artículo.

fundamentos del análisis multivariante de los datos de neuroimagen

Basics of Multivariate Analysis in Neuroimaging Data

Técnicas de análisis multivariante de los datos de neuroimagen han recibido recientemente una atención creciente, ya que tienen muchas características atractivas que no puede ser fácilmente realizada por el más comúnmente utilizado univariado, voxel-sabia, técnicas<sup&gt; 1,5,6,7,8,9</sup&gt;. Métodos multivariantes evaluar la correlación / covarianza de la activación de todas las regiones del cerebro, en lugar de proceder sobre una base voxel por voxel. Por lo tanto, sus resultados pueden ser más fácilmente interpretada como una firma de las redes neuronales. Enfoques univariado, por otro lado, no pueden abordar directamente la correlación interregional en el cerebro. Métodos multivariantes también puede resultar en una mayor potencia estadística en comparación con las técnicas univariantes, que se ven obligados a emplear correcciones muy estrictos para voxel-sabia comparaciones múltiples. Además, las técnicas multivariantes también se prestan mucho mejor a la aplicación prospectiva de los resultados del análisis de un conjunto de datos a bases de datos completamente nuevo. Técnicas multivariantes se halla bien situada para proporcionar información acerca de las diferencias de medias y correlaciones con el comportamiento, al igual que los enfoques univariado, con un poder estadístico potencialmente mayor y mejor control de reproducción. En contraste con estas ventajas es la gran barrera de entrada a la utilización de métodos multivariantes, la prevención de una aplicación más amplia en la comunidad. Para el neurocientífico de familiarizarse con las técnicas de análisis multivariante, un estudio inicial del campo podría presentar una desconcertante variedad de enfoques que, a pesar de algoritmos similares, se presentan con diferentes énfasis, por lo general por personas con formación matemática. Creemos que las técnicas de análisis multivariante tienen potencial suficiente para garantizar una mejor difusión. Los investigadores deben ser capaces de emplearlos de una manera informada y accesible. El presente artículo es un intento de una introducción didáctica de técnicas multivariantes para el principiante. Una introducción conceptual se sigue con una aplicación muy sencilla con un conjunto de datos de diagnóstico de la Iniciativa de Alzheimer s Neuroimagen de Enfermedades (ADNI), lo que demuestra claramente el rendimiento superior de la aproximación multivariada.

El presente artículo describe los fundamentos del análisis multivariado y se contrasta con el de uso más común voxel-sabio análisis univariado. Ambos tipos de análisis se aplica a un conjunto de datos clínico-neurociencia. Complementaria medio dividida simulaciones muestran una mejor reproducción de los resultados multivariados en conjuntos de datos independientes.

Fundamentos del análisis multivariante de los datos de neuroimagen

Las técnicas de análisis multivariante para datos de neuroimagen han recibido recientemente una atención creciente, ya que poseen numerosas características atractivas que no pueden ser...

Este vídeo demuestra y compara técnicas de análisis multivariado y univariado para datos de neuroimagen con aplicaciones al diagnóstico del Alzheimer. Primero, se contrasta la actividad cerebral de 20 pacientes con Alzheimer temprano frente a 20 controles sanos apareados por edad para el análisis univariado. Se utiliza SPM para identificar la región cerebral que muestra el déficit relativo más elevado en la señal de FDG PET en los pacientes con Alzheimer en comparación con los sujetos controles.Para el análisis multivariado, se utiliza el análisis de componentes principales con análisis discriminante lineal para derivar los marcadores. Los resultados indican que el marcador multivariado proporciona un mejor desempeño diagnóstico que el marcador univariado y ofrece una generalización superior a datos independientes. Hola, soy Christian Halbeck del Instituto TA en el Departamento de Neurología del Centro Médico de la Universidad de Columbia. Hoy les mostraré un ejemplo de análisis de datos multivariados de datos de neuroimágenes.Utilizamos este procedimiento en nuestro laboratorio para estudiar la forma óptima de detectar la enfermedad de Alzheimer en sus etapas iniciales a partir de datos de neuroimagen. Así que comencemos. Empecemos con una visión conceptual del análisis multivariado de datos de neuroimagen.Los enfoques multivariantes evalúan la correlación de la actividad entre regiones cerebrales, en lugar de proceder sobre una base de vóxel por vóxel como se hace con el análisis univariado. Por ejemplo, podemos imaginar un conjunto de datos hipotético simple de 50 participantes humanos en el que solo se midieron tres regiones denotadas como vóxeles en el cerebro. El objetivo general del análisis multivariante consiste en identificar las principales fuentes de varianza en los datos y luego describir los efectos principales de interés en dichos datos.En cuanto a estas fuentes de variantes, el análisis univariado no toma en cuenta la correlación entre vóxeles. Ambos paneles mostrados aquí serían tratados de manera idéntica por el análisis univariado, independientemente de si existe correlación entre los vóxeles o no. En este video, se demostrará el procedimiento de análisis tanto para el análisis univariado como multivariado en un conjunto de datos clínicos que contiene escáneres PET de reposo de FTG de 95 pacientes con Alzheimer temprano o AD y 102 controles sanos emparejados (H), de todas las imágenes cerebrales, se seleccionaron aleatoriamente 20 tanto de pacientes como de controles para formar la muestra de derivación.Las 75 y 82 exploraciones restantes constituyen respectivamente la muestra de replicación. Ahora veamos cómo aplicar ambos análisis, univariado y multivariado, a este conjunto de datos. Comenzando con el enfoque univariado, obtenga el marcador de enfermedad de Alzheimer Univar utilizando el software SPM. Para contrastar las 20 exploraciones de AD con las 20 exploraciones de control en la muestra de derivación, seleccione la ubicación cerebral que muestra la mayor disminución en la señal de PET en los pacientes con AD en comparación con los controles.Utilizando una prueba T para evaluar la eficacia diagnóstica de esta región, revise los datos en la muestra de replicación para esta misma región cerebral y grafique su señal de PET en función del estado de la enfermedad. A continuación, obtenga el marcador multivariado. Se utiliza una caja de herramientas personalizada de MATLAB disponible en línea para el análisis multivariado mediante la caja de herramientas personalizada de MATLAB.Realice un análisis de componentes principales o PCA sobre los 40 escaneos combinados en la muestra de derivación. Luego, construya un patrón Covance a partir de los seis primeros componentes principales cuyo puntaje en los sujetos muestre la diferencia media máxima entre 80 pacientes y controles sanos. Una vez obtenido el patrón diagnóstico Covance a partir de la muestra de derivación, aplíquelo a la muestra de replicación, represente gráficamente los puntajes resultantes de los sujetos en función del estado de la enfermedad y compare el desempeño en las dos muestras.Para proporcionar una comparación más general de los enfoques univariantes y multivariantes, realice una simulación de muestra dividida y repita los pasos anteriores 1000 veces con datos remuestreados, creando cada vez una muestra de derivación de 20 a 20 y una réplica de 75 a 82 de 80 pacientes y controles sanos de forma independiente. Las simulaciones de muestra dividida son comunes en la investigación metodológica, ya que ofrecen una prueba sencilla de los marcadores derivados en la muestra de derivación mediante el registro de sus errores de predicción en la muestra de réplica. Calcule marcadores de enfermedad univariantes y multivariantes a partir de la muestra de derivación y establezca el umbral de decisión de modo que como máximo un control sano sea clasificado erróneamente como enfermo, lo que corresponde a una especificidad del 95 %. Finalmente, aplique los marcadores de enfermedad con sus umbrales de decisión específicos a las muestras de réplica y registre las tasas de error de clasificación en la muestra de réplica para todas las iteraciones de remuestreo. Ahora analizaremos los resultados de los análisis univariantes y multivariantes, así como las simulaciones de muestra dividida.Para el análisis del área univ. El área del mayor déficit de FDG relacionado con el ad se encontró en el área de Brodmann 31 del precúneo. El área bajo la curva rock alcanzada fue de 0,90.La generalización de este contraste a la muestra de replicación fue bastante buena, con un área bajo la curva ROC de 0,84 para el análisis multivariado. Las áreas con cargas positivas, que sugieren una preservación relativa de la señal frente a la enfermedad, se encontraron en el cerebelo, mientras que la pérdida de señal asociada se observó en las regiones temporales, parietales y frontales, así como en el giro cingulado posterior. Las áreas bajo las curvas ROC en ambas muestras, de derivación y replicación, fueron ligeramente mejores que las del marcador univariado, con valores de 0,96 y 0,88 respectivamente. A partir de las tasas totales de error de clasificación registradas en las 1000 simulaciones de muestras divididas, podemos apreciar que el marcador multivariado ofrece una mejor replicación del rendimiento diagnóstico que el marcador univariado. Acabamos de mostrarle cómo aplicar el análisis multivariado al problema diagnóstico del Alzheimer en escáneres PET con Ft.G.Todos los datos están disponibles públicamente en el sitio web de la Iniciativa de Neuroimagen en la Enfermedad de Alzheimer. Al realizar este procedimiento con datos reales, es importante recordar que previamente se han aplicado los pasos habituales de control de calidad. Ningún análisis puede hacer milagros con datos deficientes.Así que eso es todo. Gracias por ver este video y buena suerte con su análisis.

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

Research

Investigación

JoVE Journal

Neuroscience

Neurociencia

Análisis clásico modelo multivariado predice los estímulos sensoriales un sujeto percibe de la actividad neuronal en la corteza correspondiente (por ejemplo, los estímulos visuales de la actividad en la corteza visual). En este caso, se aplica el análisis de patrones cross-modal y demostrar que el sonido y el tacto, lo que implica estímulos visuales se pueden predecir a partir de la actividad en el auditorio y la corteza somatosensorial, respectivamente.

Cross-modal Análisis Multivariante Patrón

Se describe un nuevo enfoque para el análisis simultáneo de la función cerebral y la estructura utilizando imágenes de resonancia magnética (MRI). Evaluamos la estructura cerebral de alta resolución las imágenes ponderadas de difusión y la materia blanca tractografía fibra. A diferencia de las MRI estructural, estas técnicas nos permiten relacionar directamente la conectividad anatómica de las propiedades funcionales de las redes cerebrales.

Co-análisis de la estructura y función cerebral mediante resonancia magnética funcional y la difusión de imágenes ponderado

Técnicas multivariantes, incluyendo el análisis de componentes principales (PCA) se han utilizado para identificar los patrones de la firma de cambio regional en las imágenes funcionales del cerebro. Hemos desarrollado un algoritmo para identificar biomarcadores de red reproducibles para el diagnóstico de trastornos neurodegenerativos, la evaluación de la progresión de la enfermedad, y la evaluación objetiva de los efectos del tratamiento en poblaciones de pacientes.

Identificación de los modelos de covarianza espaciales relacionados con la enfermedad utilizando los datos de neuroimagen

La conectividad informativa mide la correspondencia entre los cursos temporales de información multi-vóxel a través de diferentes regiones del cerebro. Las series temporales de discriminabilidad de patrones de múltiples vóxeles se extraen de regiones y se comparan, revelando redes que no se identifican en un enfoque de conectividad funcional típico.

Usando Informativo Conectividad para Medir la Aparición síncrono de fMRI multi-voxel información a través del tiempo

El modo de red por defecto (DMN) en epilepsia del lóbulo temporal (ELT) se analiza en el estado de reposo del cerebro mediante la conectividad funcional basado en la semilla MRI (fcMRI).

Análisis de red de la red de modo predeterminado Usando Funcional Conectividad RM en epilepsia del lóbulo temporal

Las técnicas de análisis de EEG estándar ofrecen una visión limitada de la función del sistema nervioso. La derivación de modelos estadísticos de conectividad cortical ofrece una capacidad mucho mayor para investigar la dinámica de red subyacente. La mejora de la evaluación funcional abre nuevas posibilidades de diagnóstico, pronóstico y predicción de resultados en enfermedades del sistema nervioso.

Modelado estadístico de la conectividad cortical mediante electroencefalogramas no invasivos

Este es un estudio de imágenes de resonancia magnética 3T con el objetivo de investigar las diferencias de volumen de materia gris entre los pacientes con psicosis inducida por cannabis y los consumidores crónicos de cannabis no psicóticos.

Morfología cerebral de los consumidores de cannabis con o sin psicosis: un estudio piloto de resonancia magnética

A pesar del papel crucial del plexo coroideo en el cerebro, los estudios de neuroimagen de esta estructura son escasos debido a la falta de herramientas fiables de segmentación automatizada. El presente protocolo tiene como objetivo garantizar la segmentación manual del plexo coroideo de referencia que pueda servir de base para futuros estudios de neuroimagen.

Segmentación manual del plexo coroideo humano mediante resonancia magnética cerebral

Presentamos un protocolo para explorar los correlatos neuronales de una tarea de regulación cognitiva de las emociones, a saber, la reevaluación cognitiva, utilizando imágenes de resonancia magnética funcional. Este protocolo se utilizó en pacientes con trastorno obsesivo-compulsivo y controles sanos, pero también se puede utilizar en otras muestras clínicas.

Exploración de los correlatos neuronales de la reevaluación cognitiva en el trastorno obsesivo-compulsivo mediante imágenes de resonancia magnética funcional basadas en tareas

Una técnica se describe en términos generales para la apertura de la barrera sangre-cerebro en el ratón utilizando microburbujas y ultrasonido. Usando esta técnica, el manganeso se puede administrar al cerebro del ratón. Debido a que el manganeso es un agente de contraste de MRI que se acumula en las neuronas despolarizadas, este enfoque permite imágenes de la actividad neuronal.

Neuroimagen Funcional Utilizando ultrasonidos hematoencefálica perturbación de la barrera y la RM-manganeso mayor

Aprende análisis multivariante de neuroimagen para diagnóstico de Alzheimer usando PCA y análisis discriminante lineal. Este método mejora el rendimiento diagnóstico respecto al análisis univariante.

Fundamentos del análisis multivariante de los datos de neuroimagen

Explorar más videos