Identification des modèles de covariance spatiale liés à la maladie en utilisant des données de neuro-imagerie

L’objectif global de cette procédure est de déterminer les biomarqueurs d’imagerie du motif Covance des troubles neurofonctionnels du cerveau. Pour ce faire, on obtient d’abord des scintigraphies cérébrales à volume unique d’un ensemble de patients cliniquement prédiagnostiqués et d’un ensemble de témoins normaux appariés selon l’âge et de préférence le sexe à l’aide de modalités telles que la TEP, A-S-L-F-M-R-I ou V-B-M-M-R-I. La deuxième étape consiste à normaliser spatialement les images selon un modèle stéréotaxique commun.

Ensuite, une technique multivariée. Le modèle Scaled SubProfile de l’analyse en composantes principales ou S-S-M-P-C-A est exécuté et les composants principaux de sortie ou PC et leurs scores de sujet correspondants sont examinés. La dernière étape consiste à déterminer la meilleure PC ou combinaison de PC qui définit un modèle de Covance qui distingue les patients des témoins.

En fin de compte, le modèle de Covance peut être utilisé pour noter des sujets potentiels individuels sur leur expression de la maladie. L’avantage de cette méthode par rapport à certaines des techniques comparatives de voxels uniques popularisées est la capacité d’identifier et de mesurer l’activité des réseaux cérébraux. Il s’agit de modèles régionaux de Covance distribués dans le cerveau.

Plus important encore, il permet de mesurer l’activité d’un réseau donné dans le cerveau et de le résumer par un seul chiffre qui est un attribut majeur pour l’investigation clinique. Cette méthode peut aider à répondre à des questions clés dans le domaine des neurosciences, telles que l’identification des réseaux métaboliques de différentes maladies neurologiques qui présentent des symptômes similaires aux premiers stades de la progression de la maladie. Les implications de cette technique s’étendent à la fois au diagnostic différentiel et à la planification du traitement pour des maladies telles que la maladie de Parkinson, car un score unique peut être obtenu, qui peut ensuite être appliqué au diagnostic différentiel et à la planification du traitement.

Bien que cette méthode puisse donner un aperçu des syndromes parkinsoniens. Il peut également être appliqué à d’autres troubles neurodégénératifs tels que la maladie de Hunting et la maladie d’Alzheimer. En général, les personnes qui ne connaissent pas cette méthode auront du mal à accepter les concepts préconçus de l’univa qui considèrent que les effets de la maladie sont localisés dans des grappes régionales isolées.

Le Dr James Moler a eu l’idée de cette méthode pour la première fois lorsqu’il l’a appliquée à l’étude de la démence chez les patients atteints du sida. La démonstration visuelle de cette méthode est importante pour comprendre les processus impliqués dans l’analyse de réseau. Cependant, les étapes réelles de l’utilisation de nos programmes ne sont pas difficiles à apprendre car ils sont hautement automatisés. Pour étudier le métabolisme cérébral à l’aide de la tomographie par émission de positons ou de la TEP, administrez d’abord un traceur de radionucléides tel que le fluorofluor 18 F, le désoxy glucose à chaque patient du groupe de la maladie après un jeûne d’au moins 12 heures sans médicaments et à chaque témoin normal.

Attendez 45 minutes pour que le traceur atteigne l’équilibre dans les tissus. Ensuite, scannez chaque individu pendant qu’il est au repos, les yeux ouverts, pour la dérivation du motif. Scannez un nombre égal de patients et de témoins appariés au sexe et au H une fois l’examen terminé.

Transférez les données d’image vers un poste de travail et convertissez-les dans un format approprié pour l’analyse. Le logiciel d’analyse MATLAB basé sur Windows utilisé ici nécessite une conversion des formats ge advanced vers des images au format analyze ou astucieux. Ensuite, normalisez l’image de chaque sujet à un espace stéréotaxique commun à l’aide d’un logiciel de neuroimagerie standard tel que SPM, afin qu’il y ait une correspondance biunivoque des valeurs de voxel entre les sujets.

Appliquez ensuite un masque de matière grise à l’image normalisée afin de limiter l’analyse aux zones de matière grise. Si aucun masque externe n’est disponible, créez des masques de sujet individuels en excluant les valeurs inférieures à un seuil spécifié. Pourcentage de la valeur maximale de chaque sujet et multipliez les masques pour définir un espace de voxel composite de matière grise du cerveau pour l’analyse.

Afin d’effectuer une analyse multivariée des composantes du principe du modèle SubProfile ou S-S-M-P-C-A, utilisez les routines internes scan VP disponibles sur le site Web de Feinstein neurosciences. Également disponible en tant que boîte à outils de cartographie paramétrique statistique, SSM PCA dans le menu scan VP, sélectionnez statistiques. Puis SSM, puis basé sur les voxels, puis PCA.

Ensuite, cochez certaines commandes dans le menu et choisissez les images de contrôle précédemment normalisées. Sélectionnez ensuite les fichiers d’image pour saisir les images normalisées du patient. Sélectionnez un masque ou un seuil approprié et vérifiez les autres options du menu.

Appuyez ensuite sur process et entrez un nom pour le résultat expérimental. Attendez que l’écran affiche les images des composants principaux qui vous intéressent dans leurs fichiers de partition correspondants pour d’autres logiciels. Émulez l’algorithme exécuté par le processus automatisé que nous venons de décrire.

Pour ce faire, le premier masque de données utilise un masque d’image zéro disponible pour supprimer les zones indésirables de l’espace voxel telles que la substance blanche et les ventricules, comme décrit dans l’étape de prétraitement. Ensuite, convertissez les données de trou de renard d’image masquée 3D de chaque sujet en un vecteur de ligne continue en ajoutant des lignes de balayage séquentielles à partir de plans consécutifs de la matrice de données de groupe de forme afin que les données de chaque sujet correspondent à une ligne spécifique de la matrice. Chaque colonne représente ensuite un voxel particulier à travers les sujets.

Une fois que chaque sujet a été chargé dans la matrice, transformez chaque entrée de données sous forme logarithmique. Centrez ensuite la matrice de données en soustrayant chaque moyenne de ligne ou moyenne de sujet des éléments de ligne. La moyenne de toutes les lignes centrées représente une image logarithmique moyenne de groupe caractéristique, un terme à regroupement, un profil moyen ou GMP.

Ensuite, soustrayez les moyennes de colonne des éléments de colonne de matrice correspondants. Chaque ligne de la matrice à double centrage représente une image résiduelle appelée profil résiduel du sujet ou SRP dont les éléments représentent des écarts par rapport au sujet S et au groupe de voxel V, ce qui signifie que cela se produit selon l’équation montrée ici où S-R-P-S-V est un élément de la matrice SRP correspondant au sujet S et au voxel. VDSV est la valeur des données d’origine, la moyenne S est la valeur moyenne du sujet et GMPV est la valeur moyenne du groupe du voxel V.Ensuite, construisez la matrice de Covance sujet par sujet C de la matrice de données SRP composite à double centrage en calculant la Covance non normalisée entre chaque paire de lignes de la matrice de profil résiduel du sujet.

En utilisant cette équation illustrée ici où CIJ est un élément de la Covance symétrique, la matrice C et c, RRP IV et CRP JV sont des éléments de voxel correspondants de la matrice CRP rose INJ qui sont multipliés et additionnés sur tous les voxels. Appliquez ensuite l’analyse en composantes principales à la matrice de Covance sujet par sujet C.Les résultats seront un ensemble de vecteurs d’egen de score de sujet avec des valeurs egen associées. Ensuite, pondérez chaque vecteur en le multipliant par la racine carrée de sa valeur egen correspondante.

L’ensemble des vecteurs de score est représenté par les colonnes de la matrice S illustrée ici. Ensuite, déterminez les vecteurs d’egen de voxel pour le même ensemble de valeurs d’egen en multipliant la matrice de vecteurs de score par la transposition de la matrice de profil résiduel du sujet. Cela crée un tableau P de motif de voxel, des vecteurs egen dans un ordre décroissant de valeurs egen selon l’équation montrée ici où P est la matrice des vecteurs egen de voxel composant principal.

SRPT est la transposée de la matrice SRP et S est la matrice vectorielle de score, puis transformez chaque vecteur en une image de composant principal. Chaque image de composant principal est attribuée à un pourcentage de la variance totale prise en compte ou VAF correspondant à la taille relative de sa valeur igon. Examinez les résultats de l’analyse en composantes principales pour déterminer les modèles associés à des valeurs prises en compte élevées.

Les vecteurs et les scores des motifs de voxels sont transformés en Z de sorte que leurs valeurs représentent des écarts-types positifs et négatifs par rapport aux valeurs moyennes. Ensuite, tentez d’identifier les écarts régionaux associés à la maladie étudiée. Examinez ensuite les nuages de points des scores correspondant à chaque motif de composante principale.

Un tracé facultatif des caractéristiques de fonctionnement du récepteur peut également être généré pour identifier un modèle spécifique à la maladie. Évaluez la différenciation des scores des sujets entre les patients et les témoins en examinant les valeurs P des deux tests T d’échantillon correspondants et les valeurs de l’aire sous la courbe. Ensuite, le vecteur normalise et combine linéairement les composants principaux sélectionnés pour obtenir un seul modèle lié à la maladie.

Pour ce faire, la fonction MATLAB, GLM fit, est utilisée pour déterminer les coefficients basés sur des modèles logistiques ou d’autres modèles de régression appliqués aux scores des sujets. Une fois qu’un modèle de biomarqueur a été identifié, vous pouvez évaluer l’expression de son score chez un sujet potentiel à partir du scan de cet individu, cette opération est effectuée par TPR dans le menu. Pour ce faire, utilisez un calcul simple du produit du vecteur sri-retour interne du vecteur SRP du sujet et du vecteur de motif GIS.

Enfin, valider davantage le biomarqueur de profil potentiel résultant par un rééchantillonnage bootstrap à l’aide d’un logiciel externe et par validation ultérieure de groupes de sujets indépendants. La validation en aval est facilitée par l’utilisation de la TPR pour déterminer les scores d’une cohorte prospective. Voici des affichages axiaux à travers l’origine des quatre premières images des composantes principales de l’analyse SSM de 10 patients atteints de la maladie de Parkinson diagnostiqués cliniquement avec 10 témoins appariés selon l’âge et le sexe.

Les couleurs chaudes indiquent une augmentation relative de l’activité métabolique. Dans ce principe, la contribution du composant au profil résiduel global du sujet, tandis que les couleurs froides indiquent des diminutions métaboliques relatives. La composante principale 1 présentait la plus grande variance prise en compte ou valeur VAF et la plus petite valeur P représentant une signification élevée, et est la seule qui pourrait être considérée isolée comme un biomarqueur indépendant potentiel.

Les régions de variation significatives qui contribuent au modèle global sont évidentes lorsqu’elles sont affichées dans des vues orthogonales Sur un fond d’image structurelle IRM, la combinaison des composantes principales peut être utilisée pour essayer d’augmenter la signification, comme dans le cas des composantes un et quatre, où, lorsqu’elles sont combinées, la valeur P suggère une signification plus élevée. Ces graphiques montrent les graphiques à barres indépendants et les nuages de points du sujet de dérivation Z des scores de la composante principale un et de la composante principale quatre uniquement. Le premier élément principal distingue considérablement les patients des témoins.

Tandis que le quatrième démontre une tendance. La combinaison logistique linéaire de la composante principale un et de la composante principale quatre améliore la discrimination. Comme indiqué précédemment, le motif combiné démontre une séparation parfaite à un seuil de score Z de 0,9.

La combinaison de la composante principale trois montre une légère augmentation de la discrimination par rapport à la combinaison de un et quatre, mais les quatre composantes principales n’ont pas amélioré la discrimination des données en raison de la capacité de non-discrimination du principe. Composant. Deuxièmement, l’évaluation prospective du score des modèles pour le composant principal un et les modèles combinés des composants principaux un et quatre composants principaux un, trois et quatre et les composants principaux 1, 2, 3 et quatre pour 22 témoins normaux et 22 patients atteints de la MP sont présentés ici. Les valeurs de l’aire sous la courbe et la sensibilité semblent diminuer pour plus de deux composantes principales combinées.

Alors que les valeurs P ont tendance à devenir moins robustes, une amélioration non significative a été notée pour le PC un quatre par rapport au PC un seul dans une UC et des valeurs P. Contrairement à la différence significative prédite dans l’échantillon de dérivation. Une fois que les scans de patients atteints d’une maladie et de sujets témoins sont nécessaires, l’identification et la validation de modèles de maladie réalistes et valides, cela devient une procédure simple à l’aide de cet algorithme. Une fois que les modèles de maladie ont été identifiés et validés, d’autres méthodes telles que l’analyse de corrélation des scores des patients avec des mesures cliniques indépendantes peuvent être utilisées pour répondre à des questions supplémentaires.

Par exemple, si le biomarqueur d’imagerie reflète les manifestations motrices ou cognitives de la maladie ou si l’expression des modèles de maladie peut aider à différencier différentes affections qui présentent des symptômes similaires dans les cas cliniques difficiles à diagnostiquer. N’oubliez pas que cette procédure ne peut pas être appliquée directement aux données d’IRM fonctionnelle de séries chronologiques en raison des fluctuations dynamiques de la réponse et du faible rapport signal/bruit associés aux signaux FMRI.