Method Article

זיהוי של דפוסי שונות משותפת מרחביים הקשורות למחלה באמצעות נתונים הדמייה

DOI:

10.3791/50319

⸱

June 26th, 2013

 ,  ,  ,  ,  ,  , 
1Center for Neurosciences, The Feinstein Institute for Medical Research

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

טכניקות מרובות משתנות כולל ניתוח מרכיבים עיקרי (PCA) כבר משמש לזיהוי דפוסי חתימה של שינוי האזורי בתמונות תפקודיות של מוח. אנחנו פיתחו אלגוריתם לזיהוי סמנים ביולוגיים רשת לשעתק לאבחון של הפרעות ניווניות, ההערכה של התקדמות מחלה, וההערכה אובייקטיבית של השפעות טיפול באוכלוסיות חולה.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המודל מוקטן subprofile (SSM) 1-4 הוא אלגוריתם המבוסס על PCA משתני המזהה מקורות עיקריים של וריאציה במטופל ובקרת נתוני תמונה קבוצתית מוח תוך דחיית רכיבים פחותים (איור 1). מיושם ישירות לנתונים שונות משותפת voxel-by-voxel של תמונות multimodality מצב יציב, סט תמונת קבוצה שלם, ניתן להפחית עד כמה דפוסים שונות משותפת ליניארי עצמאיים משמעותיים ועשרות נושא המתאים. כל דפוס, כינה קבוצת subprofile בלתי משתנה (GIS), היא רכיב עיקרי אורתוגונלי שמייצג את רשת מופצת מרחבית של אזורים במוח הקשורים זה תפקודי. השפעות שיטתיות גדולות בעולם אומרות שיכולות לטשטש תרומות ספציפיות לרשת קטנות יותר יוסרו על ידי המרת לוגריתמי הגלומה ואומרות מרכוז של נתונים 2,5,6. נושאים לבטא כל אחד מדפוסים אלה במידה משתנה מיוצגת על ידי ציון סקלר פשוט שיכול לתאם עם Clin העצמאימתארי iCal או פסיכומטרי 7,8. באמצעות ניתוח רגרסיה לוגיסטי של עשרות נושא (ערכי ביטוי דפוס כלומר), ניתן לגזור מקדמי יניארי לשלב מרכיבים עיקריים מרובים לתוך תבניות בודדות הקשורים למחלות שונות משותפת, רשתות מרחביות מרוכבים כלומר עם אפליה משופרת של חולים מקבוצת ביקורת בריאה 5,6. אימות צולבת בתוך להגדיר הגזירה יכולה להתבצע תוך שימוש בטכניקות resampling bootstrap 9. אימות קדימה הוא אישר בקלות על ידי הערכת ציון ישירה של דפוסי שמקורם במערכי נתונים פוטנציאליים 10. דפוסים לאחר אימות, הקשורות למחלה יכולים לשמש להבקיע חולים בודדים ביחס למדגם התייחסות קבוע, לעתים קרובות הקבוצה של נבדקים בריאים ששמשה (עם קבוצת המחלה) בתבנית הגזירה המקורית 11. ערכים הסטנדרטיים אלה יכולים בתורו לשמש כדי לסייע באבחנה מבדלת 12,13 ולהעריך מחלההתקדמות מחלה וטיפול השפעות ברמת הרשת 7,14-16. אנו מציגים דוגמה ליישום של מתודולוגיה זו לנתונים FDG PET של חולי פרקינסון ובקרות רגילות באמצעות התוכנה בבית שלנו כדי להפיק סמן ביולוגי דפוס שונות משותפת אופייני למחלה.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

הפרעות ניווניות נחקרו רב תוך שימוש בטכניקות שלמקם ולכמת את החריגות של חילוף חומרים במוח, כמו גם שיטות שאינן היסקית כי ללמוד אינטראקציות אזוריות 17. אסטרטגיות אנליטיות משתנים מונעות נתונים כגון ניתוח עיקרי רכיב (PCA) 1,2,4,18 וניתוח מרכיבים עצמאי (רשפ"ת) 19,20, כמו גם טכניקות מפוקחות כגון ריבועים חלקיים לפחות (PLS) 21 ומגמות סודרים הקאנוניים variates ניתוח (אורט / CVA) 22 יכול לחשוף תבניות אופייניות או "רשתות" של פעילות גומלין. את היסודות של נהלים משתנים, ובעיקר מודל subprofile מוקטן (SSM) 1,2,4-6,18 תוארו בעבר ביופיטר 3. גישה מבוססת PCA זו פותחה במקור כדי לבחון את מערכות יחסים שונות משותפת תפקודיות תקינות בין האזורים במוח בתמונות כרך אחד יציב של זרימת דם במוח וACQ חילוף חומריםuired במצב המנוחה של שיטות כגון PET ו-SPECT כי תערוכת מאפייני אות לרעש גבוהים. דפוסי SSM ספציפיים למחלה הם סמנים הדמיה המשקפים את ההבדלים הכוללים בטופוגרפיה האזורית בחולים בהשוואה לנבדקים בריאים 7,16 ועשויים לשקף תהליך רשת אחת או הטמעה של מספר פונקציות מורכבות 23 חריגות. רשתות במוח דפוס שונות משותפת מטבוליות קשורות עם ערכי ביטוי (ציוני נושא) שיכול להבחין בין קבוצות נורמליות ומחלה ולספק אמצעים מבוססי רשת המתואמים עם דירוגים קליניים של חומרת מחלה. בדרך כלל, עשרות נושא לדפוסים כאלה יגדלו עם התקדמות מחלה ואף עשויים לבוא לידי ביטוי לפני הופעת תסמיני 14,24. ואכן, רשת סמנים ביולוגיים הקשורים למחלות מתאפיינים בהפרעות ניווניות כגון מחלת פרקינסון 10 (PD), מחלת הנטינגטון 25 (HD), ומחלת אלצהיימר 8 (לספירה). חשוב לציין, topographies מטבוליות הקשורות למחלה יש גם זוהה להפרעות תנועת הפרקינסון לא טיפוסיות כגון ניוון מערכת מרובה (MSA) ושיתוק גרעיני מתקדם (PSP). דפוסים אלה היו בשימוש בקונצרט לאבחנה המבדלת של אנשים עם "כפיל" תסמונות קליניות דומות 12,13,26.

לעומת זאת, שיטות univariate מבוססות voxel fMRI טיפוסיות להעריך את המשמעות של הבדלים בין חולים ובקרים באשכולות במוח מבודדים. לאחרונה, פותחו שיטות למדידת קישוריות תפקודית בין אזורים מוגדרים בצורות שונות במוח 27-29. הגדרה זו של קישוריות פונקציונלית מוגבלת לנושא ואזור אינטראקציות ספציפיות וחורג מקונספט SSM / PCA המקורי המתייחס לקישוריות החתך של אזורים במוח שחולקו ברשת מרחבית הפנימית 1,2,23,30. לטובתם, פלטפורמות MRIמחדש להתקין בקלות, זמין לציבור רחב, לא פולשנית ובדרך כלל דורש זמן סריקה קצר יותר מאשר שיטות הדמיה radiotracer המסורתיות כגון PET או SPECT וכתוצאה מכך התגברות של מתודולוגיות פוטנציאליות המתוארים בספרות האחרונה. עם זאת, את אותות fMRI תלוי זמן וכתוצאה לספק אמצעים עקיפים של פעילות עצבית מקומית 31,32. האלגוריתמים אנליטיים המורכבים בדרך כלל המועסקים היו מוגבלים על ידי הגודל הגדול של מערכי נתונים, הרעש הפיזיולוגי הגלום באותות fMRI, כמו גם השונה הגבוהה בפעילות המוח שקיים בין נושאים ואזורים 19,23. למרות שניתן להסיק מידע מעניין לגבי ארגון מוח מהמאפיינים של "רשתות" fMRI, הם לא היו יציבים מספיק כדי לשמש כסמנים ביולוגיים למחלות אמינות. יתר על כן, topographies רשת כתוצאה מכך הם לא בהכרח שווה ערך לאלה שזוהו באמצעות מתודולוגיות הדמיה תפקודיות מבוססות כמו SSM / PCA. עבור הרוב הדואר, אימות צולבת קפדני של topographies fMRI התוצאה כבר חסר עם כמה דוגמאות ליישום מוצלח של קדימה דפוסים שמקורם בנתוני סריקה פוטנציאליים ממקרים בודדים.

יתרון של ניתוח שונות משותפת PCA טמון ביכולתה לזהות את המקורות המשמעותיים ביותר של וריאציה נתונים בכמה מרכיבים העיקריים הראשונים, אבל זה לא יעיל אם וקטורים העצמיים הבולטים לייצג גורמי רעש אקראיים ולא תגובת רשת הפנימית בפועל. על ידי בחירה רק כמה וקטורים עצמיים הראשונים והגבלה למי שמראה הבדלים משמעותיים בציוני בקרת מטופל לעומת נורמלי, אנחנו לצמצם במידה ניכרות את ההשפעה של גורמי רעש. עם זאת, לגישה הבסיסית שתוארה כאן, אמצעים אלה לא יכולים להיות מספיק כדי לייצר אומדים חזקים בבסיס נתוני fMRI טיפוסי למעט השיטות המתוארות להלן.

לכן, בגלל מערכת היחסים היציב הישירות של G האזוריחילוף החומרים lucose ופעילות הסינפטית 33, מתודולוגיה זו יושמה בעיקר לניתוח של נתונים שאר מדינת FDG PET. עם זאת, בהתחשב בכך שזרימת דם במוח (CBF) היא יחד באופן הדוק לפעילות חילוף חומרים במצב מנוחת 10,11,34, SPECT 35,36 ותיוג ספין לאחרונה עורקים (מעל פני הים) בשיטות הדמיה זלוף MRI 37,38, היה בשימוש כדי להעריך את פעילות חילוף חומרים לא תקינה במקרים בודדים. עם זאת, הגזירה של דפוסים שונות משותפת מרחביים אמינים עם fMRI מצב מנוחה (rsfMRI) היא כאמור לא בעבר פשוט 31,32. למרות זאת, ניתוח SSM / PCA הראשוני של נתוני rsfMRI מחולי פרקינסון ונושאי בקרה חשף כמה הומולוגיות טופוגרפיות בין דפוסים הקשורים למחלות זוהו באמצעות שתי שיטות, PET ו המשרעת של תנודות בתדר נמוך (ALFF) של fMRI BOLD 39,40 . לבסוף, אנחנו גם לציין כי גישה זו יושמה בהצלחה בvoxel מבוסס Morphometry (VBM) נתונים מבניים MRI 41,42, חושפים דפוסים שונות משותפת מרחביים ייחודיים הקשורות לאובדן נפח הקשורות לגיל, ובהשוואות נוספות של VBM ודפוסי ASL באותם נושאים 43. מערכת היחסים בין topographies SSM / PCA מרחביים השונות המשותפת ורשתות מוח מקבילות זוהו באמצעות גישות אנליטיות שונות ופלטפורמות הדמיה היא נושא של חקירה מתמשכת.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. איסוף ועיבוד מקדים של נתונים

  1. שיטת SSM / PCA ניתן להחיל על תמונות כרך אחד המתקבלות ממקורות ושיטות שונים. באופן ספציפי, לבדיקת PET באתר של חילוף חומרים, להכין נותב רדיונוקלידים מתאים כגון [18 F]-fluorodeoxyglucose (FDG) ולנהל לכל מטופל. חולים הם בדרך כלל סריקה במנוחה בעיניים פקוחות, לאחר צום של לפחות 12 שעות, צורך בתרופות.
  2. סרוק את כל נושא לצורך ההערכה פרטני או קבוצתי. לגזירת דפוס, לסרוק מספר שווה של מגדר וגיל בהתאמה חולים ובקרות.
  3. העבר את הנתונים לתחנת עבודה ולהמיר לפורמט מתאים לניתוח בפלטפורמה שלך. מחשב החלונות שלנו מבוסס תוכנת ניתוח MATLAB (scanvp, ssm_pca, www.feinsteinneuroscience.org) דורש לנתח או תמונות בפורמט nifti (Mayo Clinic, רוצ'סטר, מינסוטה). הוא מספק לא שגרתי גיורסורק O התמרת GE מראש (מילווקי, וויסקונסין, ארה"ב) ותמונות בפורמט אחרות כדי לנתח את הפורמט.
  4. לנרמל את תמונתו של כל נושא ונושא למרחב stereotaxic משותף (למשל נוירולוגיות מונטריאול מכון [משרד התשתיות הלאומי]) באמצעות חבילת תוכנת הדמייה סטנדרטית כגון מיפוי פרמטרים סטטיסטי (SPM) (http://www.fil.ion.ucl.ac.uk/spm ), כך שיש התאמה של אחד לאחד של ערכי voxel בין נבדקים (איור 2). מיסוך להגביל את הניתוח לאזורי חומר אפורים (איור 3) והפיכת יומן מתואר בשלבים הבאים.

2. בצע SSM / PCA מרובות משתנים

ניתן לבצע פעולות לSSM משתני / PCA (איור 4) על ידי תוכנה חיצונית. השלבים מפורטים להלן משקפים את ההליכים שבוצעו על פי רוב באופן אוטומטי על ידי בבית שלנו שגרה (איור 5) (סריקהסמנכ"ל / ssmpca, www.feinsteinneuroscience.org זמין גם כארגז כלים ssm_pca SPM).

  1. נתוני מסכה באמצעות תמונת 0/1 זמינה כדי להסיר אזורים לא רצויים של מרחב voxel כגון חומר וחדרי לב לבן. השימוש השגרתי ssmpca, המשתמש מקבל אפשרות לבחור את ברירת המחדל או מסיכה חיצונית אחרת (איור 3), או שיש התכנית ליצור באופן אוטומטי על ידי הסרת מסכת ערכים נמוכים מנבחרים אחוזים קבועים של נתונים מקסימאלי של כל נושא והנושא. מסכות בכפוף אישיות אז מוכפלים לקבוע מסכה מורכבת. האזורים בתוך המסכה להגדיר מרחב voxel אינו אפס משותף לניתוח.
  2. המרת נתונים voxel התמונה של כל נושא 3D רעולי פנים לוקטור שורה אחת רציף על ידי צירוף קווי סריקה רציף ממטוסים רצופים (איור 4 א). ליצור קבוצת נתוני מטריצה ​​(ד '), כך שהנתונים של כל נושא מתאים למחקר ספציפיענווה של המטריצה. כל עמודה מייצגת אז voxel מסוים על פני נושאים. באופן אידיאלי, לגזירת סמן ביולוגי, המטריצה ​​תהיה מורכבת ממספר שווה של שורות של נתונים בכפוף שליטה רגיל ונתונים נושא מחלות.
  3. להפוך את כל הזנת נתונים לטופס לוגריתמי.
  4. מרכז מתכוון מטריצת נתונים על ידי הפחתה ממוצעת בכל שורה או נושא מהאלמנטים השורות. הממוצע של כל השורות ממוקדות מייצג קבוצה אופיינית מתכוונת תמונת יומן כינתה פרופיל ממוצע קבוצה (GMP, איור 4 א). לחסר אמצעי העמודות שהם המרכיבים של GMP מאלמנטי עמודות המטריצה ​​המתאימים. כל שורה של מטריצת המרכז הכפולה מייצגת תמונה "שיורי" כינתה פרופיל שיורי נושא (SRP) אלמנטים שמייצגים חריגות מהן את נושא אמצעי v חבורת voxel (איור 4) ושל.
    SRP ד"ה = logD ד"ה - אומר של - GMP V
  5. לבנות Subject-by-C מטריצת השונות המשותפת הנושא של מטריצת נתונים המורכבת הכפולה מרוכזת על ידי חישוב שונות משותפת שאינם מנורמל בין כל זוג נושא i, j של שורות מטריצת SRP הוערך כתוצר של אלמנטי voxel המתאימים סיכם על כל V voxels (איור 4) .
    C = ij Σ V (SRP IV X SRP JV)
  6. החל PCA לשונות משותפות נושא אחר נושא המטריצה ​​C. התוצאות תהיה קבוצה של וקטורים עצמיים הציון נושא עם ערכים עצמיים כרוכים בכך. משקל כל וקטור על ידי הכפלה בשורש הריבועי של הערך עצמי המתאים לו. הקבוצה של וקטורים עצמיים הציון מיוצגת על ידי עמודות של מטריצת S וכתוצאה מכך 4C הדמות.
  7. ניתן לקבוע וקטורים עצמיים voxel לאותו הסט של ערכים עצמיים על ידי יישום PCA לעמודה על ידי מטריצת שונות משותפת עמודה או על ידי חלופה זו המחשוב פחות תובעני procedיור מתואר ב( איור 4 ג'). עזב להכפיל את מטריצת וקטור הציון נגזר בעבר על ידי לשרבב SRP המטריצה ​​לגזור P מערך של וקטורים עצמיים דפוס voxel בסדר יורד של ערכים עצמיים (איור 4 ג', איור 6, איור 7 א).
    P = SRP T x S
    כל וקטור עמודה מייצג רכיב (PC) דפוס תמונה עיקרי של ניתוח SSM / PCA המיוחסת לאחוזים מהסך השונות היוו (vaf) מתאימה לגודלו היחסי של הערך העצמי שלה.

3. גזירת סמן דפוס

  1. לבחון את התוצאות של הניתוח הקודם על מנת לקבוע דפוסי מחשב הקשורים לערכי vaf גבוהים. בתוך השגרה שלנו, וקטורי דפוס voxel הם Z-שינו כך שערכיהם מייצגים סטיות תקן חיוביות ושליליות מהערך הממוצע שלהם. לאחר מכן הם עיצבו מחדש לפורמט תמונה לפני ההצגה (איור 7 א).
  2. במקרים מסוימים דפוסים עם סטיות אזוריות מוכרות הקשורים במחלה ניתן לזהות באופן חזותי. הניסוח המתמטי רואה צורות חיוביות ושליליות של מחשבים הנגזרים כפתרונות מקבילים במקרה בו שני המחשבים ועשרות הקשורים בם עשויים להיות מוכפל במינוס אחד כדי להתאים את פרשנות נכונה מבחינה פיזית.
  3. ציונים מתאימים לכל דפוס מחשב מוצגים כגרפים ומגרשי פיזור (איור 7). יכולה להיות שנוצר עלילת ROC אופציונלית (איור 7 ד). לזהות דפוס ספציפי למחלה, שים לב להבחנה של עשרות בכפוף בין חולים ובקרות המשתקפים על ידי P-ערכים של שני ערכי מדגם AUC מבחני t והמתאימים. להגביל את הניתוח לאותם מחשבים הקשורים vaf גבוה ובידול גבוה לכמה ערכים גזורים קבועים (למשל, עמ '<0.05 וvaf> 5%). בדרך כלל, רק אחד או שניים לספק את מחשבים בקריטריון זה לנתונים PET.
  4. יש Variדרכים אחרות יחידות ארגוניות לבחירת מחשב שיכול להיחשב 44. עלילת המפולת של ערכים עצמיים רציפים (איור 6) עשויה לתת ערך חיתוך חד מיוצג על ידי עיקול בעקומה וירידה חדה בשיפוע העקום שבו ערכים עצמיים מתחילים להתנוון. גישה נוספת היא לכלול את כל המחשבים כי חשבון עבור 50% העליון של השונות. הליך מקובל הוא לחשב את מידע קריטריון Akaike (AIC) 45 כדי לקבוע איזה שילוב של מחשבים להגדיר את המודל עם ערך המרכז לאינפורמציה אלטרנטיבית הנמוך ביותר שיכול להבחין בין חולים ובקרות.
  5. המחשב שנבחר (ים) יכול להיות וקטור מנורמל ושילוב ליניארי להניב דפוס הקשורים למחלה אחת. התוכנה שלנו משתמשת באופן אופציונלי glmfit פונקצית MATLAB לקבוע מקדמים המבוססים על מודלים של רגרסיה לוגיסטית או אחרים החלימו על ציונים בנושא. למרות בידול של מטופל וקבוצות ביקורת בדרך כלל משתפר עם המחשבים הנוספים נחשבים בדהקבוצת rivation, את דפוסי התוצאה הם ייצוג מורכב שאולי לא מתאים לרשת פיזית אחת או עשוי לשלב סטיות outlier (איורים 7 א ו7C).
  6. הוכחה נוספת נדרשת על אמינות שלה וחשיבותה פוטנציאלי. ניתן לבצע דגימה מחדש bootstrap כפי שנראה להלן 8 כדי לזהות את voxels אמין ביותר בבסיס נתוני הגזירה המקורי הקשורים סטיית התקן לפחות בגזירת דפוס חוזרת ונשנית. קדימה אימות מתבצעת כדי לבדוק את הרגישות והסגוליות של אפליה על ידי קבוצה עצמאית הנובע ציונים לקבוצות פוטנציאליים של חולים ובקרות תוך שימוש בשיטת ההערכה יחידה הנושא הציון (איור 4D) המתוארת בקטע הבא של הפרוטוקול.

4. הערכת ציון פרוספקטיבי יחיד נושא באמצעות סמן ביולוגי קבוע מראש

  1. ברגע שתבנית סמן ביולוגי SSM-GIS משמעותיזוהה, ניתן להעריך את ניקוד לביטוי שלה בנושא פוטנציאלי מהסריקה של האדם שמשתמשת בחישוב פשוט של מוצר הווקטור הפנימי שלו של הנושא SRP וקטור ווקטור דפוס GIS (איור 4d, איור 7 ד).
    SCORE = SRPs • תבנית
  2. המבצע הקודם הוא אוטומטי על ידי שגרת TPR שלנו. עם זאת, כדי להפיק באופן עצמאי את וקטור SRPs הנושא להשתמש במסכת GIS המהותית הקשורים בנתונים הפכו היומן ולחסר גם את ממוצע הנושא ואת ערכי voxel המקבילים prederived התייחסות הקבוצה GMP כמו בשלב 2.4. זה מבטיח כי ניתן להשוות ציונים לטווח ההתייחסות שנקבע מראש. ציונים לקבוצה חדשה ניתן להעריך באופן דומה כמערכת של עשרות נושא אחד פוטנציאלי. לשימוש עם קבוצת התייחסות שונה או הגדרה, יכול להיות recalibrated GMP תוך התבנית היא ללא שינוי.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

יישום פשוט של ניתוח SSM / PCA רב משתנים כדי להפיק דפוס סמן ביולוגי להדמייה פ"ד בא לידי ביטוי בהמשך. תמונות PET FDG עשר קליניות אובחנו חולי פרקינסון (6M/4F, 59y ± 7y SD) של משך חולה משתנה (9y ± 5Y SD) ועשר גיל ומין תאמו פקדים רגילים (6M/4F, 58y ± 7y SD) נותחו באמצעות השגרה שלנו ssmpca. העשרים התמונות המקבילות מרחבית מראש המנורמלות נבחרו בתחילה תחת נושאי המחלות הקטגוריות או הפקדים יחד עם מסכת ברירת המחדל (איור 3). פלט התכנית את 16 הקבצים הראשונים העיקריים ה...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מודל SSM / PCA הוצג במקור על ידי מולר ואח'. 4 התפתח 1-3 לטכניקה פשוטה וחזקה לניתוח של נתונים הדמייה. עם זאת, היו חוסר בהירות ביישום של מתודולוגיה זו, שיש לנו ניסינו להבהיר כאן ובפרסומים קודמים 5-7,10. חלק מהנושאים הללו טופלו בטקסט, אבל הם חזרו והדגישו כאן בגלל החשיבות שלהם. כמפורט במבוא, SSM / PCA הוא בעיקר יעיל בנח נתוני מדינת FDG PET, אבל גם הייתה מוצלחת תוך שימוש בטכניקות הדמיה כרך אחד אחרות וסריקת פלטפורמות כולל H 2

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ד"ר איידלברג מופיע כשותף להמצאה של שני פטנטים בארה"ב על השימוש בסמני הדמיה כדי לסנן חולים לתפקוד לקוי של מערכת עצבים (ללא רווח כספי). אין גילויים נוספים.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

עבודה זו נתמכה על ידי מענק מס P50NS071675 (מרכז מוריס ק Udall של מצוינות במחקר מחלת פרקינסון במכון פיינשטיין למחקר רפואי) לדה מהמכון הלאומי להפרעות נוירולוגיות ושבץ. התוכן הוא באחריות בלעדית של כותבים ולא בהכרח מייצג את הדעות הרשמיות של המכון הלאומי להפרעות נוירולוגיות ושבץ או המכונים הלאומי לבריאות. הספונסר לא שחק תפקיד בתכנון מחקר, איסוף, ניתוח ופרשנות של נתונים, כתיבת הדוח או בהחלטה להגיש את הנייר לפרסום.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
רכישת תמונה
סורק PETGE Medical SystemsGE Advanceכל סורקי PET, PET/CT ו-PET/MRI מתחנות עבודה של GE, Siemens ו-Philips
PCLenovoAnyhttp://www.lenovo.com/us/en/
תרופות רדיו-פרמצבטיות
[18F]-fluorodeoxyglucoseמכון פיינשטיין למחקררפואי ייצור שגרתימופץ גם על ידי Cardinal Health http://www.cardinal.com/
Software
ScanVPמכון פיינשטיין למחקר רפואיגירסה 5.9.1, גירסה 6.2, לשחרורwww.feinsteinneuroscience.org
SPMהמכון לנוירולוגיה של UCLspm99-spm8http://www.fil.ion.ucl.ac.uk/spm
WindowsMicrosoftAny
MatlabMathworksMatlab גרסה 7.0, 7.3http://www.mathworks.com/
JMPSASגרסה 5http://www.jmp.com/

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Moeller, J. R., Strother, S. C. A regional covariance approach to the analysis of functional patterns in positron emission tomographic data. J. Cereb. Blood Flow Metab. 11 (2), 121-135 (1991).
  2. Alexander, G. E., Moeller, J. R. Application of the scaled subprofile model to functional imaging in neuropsychiatric disorders: A principal component approach to modeling brain function in disease. Hum. Brain Mapp. 2, 1-16 (1994).
  3. Habeck, C. G. Basics of multivariate analysis in neuroimaging data. J. Vis. Exp. (41), e1988(2010).
  4. Moeller, J. R., Strother, S. C., Sidtis, J. J., Rottenberg, D. A. Scaled subprofile model: a statistical approach to the analysis of functional patterns in positron emission tomographic data. J. Cereb. Blood Flow Metab. 7 (5), 649-658 (1987).
  5. Spetsieris, P. G., Eidelberg, D. Scaled subprofile modeling of resting state imaging data in Parkinson's disease: methodological issues. Neuroimage. 54 (4), 2899-2914 (2011).
  6. Dhawan, V., Tang, C. C., Ma, Y., Spetsieris, P., Eidelberg, D. Abnormal network topographies and changes in global activity: Absence of a causal relationship. Neuroimage. 63 (4), 1827-1832 (2012).
  7. Eidelberg, D. Metabolic brain networks in neurodegenerative disorders: a functional imaging approach. Trends Neurosci. 32 (10), 548-557 (2009).
  8. Habeck, C., Foster, N. L., et al. Multivariate and univariate neuroimaging biomarkers of Alzheimer's disease. Neuroimage. 40 (4), 1503-1515 (2008).
  9. Efron, B., Tibshirani, R. An introduction to the bootstrap. , CRC Press, LLC. New York. (1994).
  10. Ma, Y., Tang, C., Spetsieris, P., Dhawan, V., Eidelberg, D. Abnormal metabolic network activity in Parkinson's disease: test-retest reproducibility. J. Cereb. Blood Flow & Metab. 27 (3), 597-605 (2007).
  11. Ma, Y., Eidelberg, D. Functional imaging of cerebral blood flow and glucose metabolism in Parkinson's disease and Huntington's disease. Mol. Imaging Biol. 9 (4), 223-233 (2007).
  12. Tang, C. C., Poston, K. L., et al. Differential diagnosis of parkinsonism: a metabolic imaging study using pattern analysis. Lancet Neurol. 9 (2), 149-158 (2010).
  13. Spetsieris, P. G., Ma, Y., Dhawan, V., Eidelberg, D. Differential diagnosis of parkinsonian syndromes using PCA-based functional imaging features. Neuroimage. 45 (4), 1241-1252 (2009).
  14. Tang, C. C., Poston, K. L., Dhawan, V., Eidelberg, D. Abnormalities in metabolic network activity precede the onset of motor symptoms in Parkinson's disease. J. Neurosci. 30 (3), 1049-1056 (2010).
  15. Mure, H., Hirano, S., et al. Parkinson's disease tremor-related metabolic network: characterization, progression, and treatment effects. Neuroimage. 54 (2), 1244-1253 (2011).
  16. Niethammer, M., Eidelberg, D. Metabolic brain networks in translational neurology: concepts and applications. Ann. Neurol. , (2012).
  17. Petersson, K. M., Nichols, T. E., Poline, J. B. Statistical limitations in functional neuroimaging. I. Non-inferential methods and statistical models. Philos. Trans. R. Soc. Lond. B. Biol. Sci. 354 (1387), 1239-1260 (1999).
  18. Habeck, C., Stern, Y. Multivariate data analysis for neuroimaging data: overview and application to Alzheimer's disease. Cell Biochem. Biophys. 58 (2), 53-67 (2010).
  19. McKeown, M. J., Hansen, L. K., Sejnowsk, T. J. Independent component analysis of functional MRI: what is signal and what is noise. Current Opinion in Neurobiology. 13 (5), 620-629 (2003).
  20. Stone, J. V. Independent component analysis: an introduction. Trends Cogn. Sci. 6 (2), 59-64 (2002).
  21. McIntosh, A. R., Bookstein, F. L., Haxby, J. V., Grady, C. L. Spatial pattern analysis of functional brain images using partial least squares. Neuroimage. 3 (3 Pt. 1), 143-157 (1996).
  22. Habeck, C., Krakauer, J. W., et al. A new approach to spatial covariance modeling of functional brain imaging data: ordinal trend analysis. Neural Comput. 17 (7), 1602-1645 (2005).
  23. Habeck, C., Moeller, J. R. Intrinsic functional-connectivity networks for diagnosis: just beautiful pictures. Brain Connect. 1 (2), 99-103 (2011).
  24. Huang, C., Tang, C., et al. Changes in network activity with the progression of Parkinson's disease. Brain. 130, 1834-1846 (2007).
  25. Feigin, A., Tang, C., et al. Thalamic metabolism and symptom onset in preclinical Huntington's disease. Brain. 130, 2858-2867 (2007).
  26. Poston, K. L., Tang, C. C., et al. Network correlates of disease severity in multiple system atrophy. Neurology. 78 (16), 1237-1244 (2012).
  27. Biswal, B., Yetkin, F. Z., Haughton, V. M., Hyde, J. S. Functional connectivity in the motor cortex of resting human brain using echo-planar MRI. Magnetic Resonance in Medicine: Official Journal of the Society of Magnetic Resonance in Medicine / Society of Magnetic Resonance in Medicine. 34 (4), 537-541 (1995).
  28. Greicius, M. D., Krasnow, B., Reiss, A. L., Menon, V. Functional connectivity in the resting brain: a network analysis of the default mode hypothesis. Proceedings of the National Academy of Sciences of the United States of America. 100 (1), 253-258 (2003).
  29. Friston, K. J., Frith, C. D., Liddle, P. F., Frackowiak, R. S. Functional connectivity: the principal component analysis of large (PET) data sets. J. Cereb. Blood Flow Metab. 13, 5-14 (1993).
  30. Strother, S. C., Kanno, I., Rottenberg, D. A. Commentary and opinion: I. Principal component analysis, variance partitioning, and "functional connectivity". Journal of Cerebral Blood Flow and Metabolism: Official Journal of the International Society of Cerebral Blood Flow and Metabolism. 15 (3), 353-360 (1995).
  31. Ekstrom, A. How and when the fMRI BOLD signal relates to underlying neural activity: the danger in dissociation. Brain Research Reviews. 62 (2), 233-244 (2010).
  32. Logothetis, N. K. What we can do and what we cannot do with fMRI. Nature. 453 (7197), 869-878 (2008).
  33. Lin, T. P., Carbon, M., et al. Metabolic correlates of subthalamic nucleus activity in Parkinson's disease. Brain. 131 (Pt. 5), 1373-1380 (2008).
  34. Hirano, S., Asanuma, K., et al. Dissociation of metabolic and neurovascular responses to levodopa in the treatment of Parkinson's disease. J. Neurosci. 28 (16), 4201-4209 (2008).
  35. Feigin, A., Antonini, A., et al. Tc-99m ethylene cysteinate dimer SPECT in the differential diagnosis of parkinsonism. Mov. Disord. 17 (6), 1265-1270 (2002).
  36. Eckert, T., Van Laere, K., et al. Quantification of Parkinson's disease-related network expression with ECD SPECT. Eur. J. Nucl. Med. Mol. Imaging. 34 (4), 496-501 (2007).
  37. Ma, Y., Huang, C., et al. Parkinson's disease spatial covariance pattern: noninvasive quantification with perfusion MRI. J. Cereb. Blood Flow Metab. 30 (3), 505-509 (2010).
  38. Melzer, T. R., Watts, R., et al. Arterial spin labelling reveals an abnormal cerebral perfusion pattern in Parkinson's disease. Brain. 134 (Pt. 3), 845-855 (2011).
  39. Skidmore, F., Spetsieris, P., et al. Diagnosis of Parkinson's disease using resting state fMRI. 15th International congress of Parkinson's disease and movement disorders, , LB22(2011).
  40. Peng, S., Wu, T., et al. A comparison study of Parkinson's disease-related patterns between FDG PET and fMRI at rest state. Neuroimage. 61, Suppl 1. 5610(2012).
  41. Brickman, A. M., Habeck, C., Zarahn, E., Flynn, J., Stern, Y. Structural MRI covariance patterns associated with normal aging and neuropsychological functioning. Neurobiol. Aging. 28 (2), 284-295 (2007).
  42. Bergfield, K. L., Hanson, K. D., et al. Age-related networks of regional covariance in MRI gray matter: reproducible multivariate patterns in healthy aging. Neuroimage. 49 (2), 1750-1759 (2010).
  43. Steffener, J., Brickman, A. M., Habeck, C. G., Salthouse, T. A. Cerebral blood flow and gray matter volume covariance patterns of cognition in aging. Human Brain Mapping. , (2012).
  44. Cangelosi, R., Goriely, A. Component retention in principal component analysis with application to cDNA microarray data. Biol. Direct. 2, 2(2007).
  45. Akaike, H. A new look at the statistical model identification. IEEE Transactions on Automatic Control. 19 (6), 716-723 (1974).
  46. Eidelberg, D., Moeller, J. R., et al. Assessment of disease severity in parkinsonism with fluorine-18-fluorodeoxyglucose and PET. J. Nucl. Med. 36 (3), 378-383 (1995).
  47. Ma, Y., Tang, C., Moeller, J. R., Eidelberg, D. Abnormal regional brain function in Parkinson's disease: truth or fiction. Neuroimage. 45 (2), 260-266 (2009).
  48. Habeck, C., Steffener, J., Rakitin, B., Stern, Y. Can the default-mode network be described with one spatial-covariance network. Brain Res. 1468, 38-51 (2012).
  49. Joliffe, I. T. Principal Components Analysis. Springer Series in Statistics. , 2nd edition, Springer-Verlag. New York. (2002).
  50. Limpert, E., Stahel, W. A., Abbt, M. Log-normal distributions across the sciences: keys and clues. BioScience. 51 (5), 341-352 (2001).
  51. Huang, C., Mattis, P., et al. Metabolic abnormalities associated with mild cognitive impairment in Parkinson disease. Neurology. 70 (16 Pt. 2), 1470-1477 (2008).
  52. Mattis, P. J., Tang, C. C., Ma, Y., Dhawan, V., Eidelberg, D. Network correlates of the cognitive response to levodopa in Parkinson disease. Neurology. 77 (9), 858-865 (2011).
  53. Feigin, A., Kaplitt, M. G., et al. Modulation of metabolic brain networks after subthalamic gene therapy for Parkinson's disease. Proc. Natl. Acad. Sci. U.S.A. 104 (49), 19559-19564 (2007).
  54. Mure, H., Tang, C. C., et al. Improved sequence learning with subthalamic nucleus deep brain stimulation: evidence for treatment-specific network modulation. The Journal of Neuroscience: The Official Journal of the Society for Neuroscience. 32 (8), 2804-2813 (2012).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Scaled Subprofile ModelPrincipal Component AnalysisSpatial Covariance PatternsDisease related BiomarkersNeuroimaging Data AnalysisVoxel by voxel CovarianceLogistic Regression AnalysisBootstrap ResamplingForward ValidationParkinson Disease

Related Articles