זיהוי של דפוסי שונות משותפת מרחביים הקשורות למחלה באמצעות נתונים הדמייה

המטרה הכוללת של הליך זה היא לקבוע סמנים ביולוגיים של הדמיית דפוס קובנס של הפרעות מוח נוירו-תפקודיות. זה מושג תחילה על ידי השגת סריקות מוח בנפח יחיד של קבוצה של חולים שאובחנו מראש קלינית וקבוצה תואמת גיל ורצוי מגדר של בקרות נורמליות תוך שימוש בשיטות כגון PET spect, A-S-L-F-M-R-I או V-B-M-M-R-I. השלב השני הוא לנרמל את התמונות מרחבית לתבנית סטריאוטקטית נפוצה.

לאחר מכן, טכניקה רב-משתנית. מודל ה-Scaled SubProfile של ניתוח רכיבים עיקריים או S-S-M-P-C-A מבוצע ונבדקים רכיבי עקרון הפלט או המחשבים וציוני הנושא המתאימים להם. השלב האחרון הוא לקבוע את המחשב הטוב ביותר או שילוב של מחשבים אישיים המגדירים דפוס קובנס המפלה בין מטופלים לביקורת.

בסופו של דבר, ניתן להשתמש בדפוס קובנס כדי לתת ציון לנבדקים פוטנציאליים בודדים על ביטוי המחלה שלהם. היתרון של שיטה זו ביחס לכמה מהטכניקות הפופולריות של ווקסל בודד הוא היכולת לזהות ולמדוד את הפעילות של רשתות המוח. אלה הם דפוסי קובאנס אזוריים מבוזרים במוח.

והכי חשוב, זה מאפשר למדוד את הפעילות של רשת נתונה במוח ולסכם אותה במספר יחיד שהוא תכונה מרכזית למחקר קליני. שיטה זו יכולה לעזור לענות על שאלות מפתח בתחום מדעי המוח, כגון זיהוי הרשתות המטבוליות למחלות נוירולוגיות שונות המציגות תסמינים דומים בשלבים המוקדמים של התקדמות המחלה. ההשלכות של טכניקה זו משתרעות הן על אבחנה מבדלת והן על תכנון טיפול במחלות כמו מחלת פרקינסון מכיוון שניתן לקבל ציון נושא יחיד, אותו ניתן ליישם לאחר מכן על אבחנה מבדלת ותכנון טיפול.

למרות ששיטה זו יכולה לספק את התובנה לגבי תסמונות פרקינסוניות. ניתן ליישם אותו גם על הפרעות ניווניות אחרות כגון מחלת ציד ומחלת אלצהיימר. בדרך כלל, אנשים חדשים בשיטה זו יתקשו עם מושגי univa מוקדמים הרואים את השפעות המחלה כמקומיות באשכולות אזוריים מבודדים.

ד"ר ג'יימס מולר הגה לראשונה את הרעיון לשיטה זו כאשר יישם את הרעיון הזה לחקר דמנציה בחולי איידס. הדגמה חזותית של שיטה זו חשובה להבנת התהליכים המעורבים בניתוח רשתות. עם זאת, השלבים הממשיים הכרוכים בשימוש בתוכניות שלנו אינם קשים ללמידה מכיוון שהם אוטומטיים מאוד כדי לחקור את חילוף החומרים במוח באמצעות טומוגרפיה של פליטת פוזיטרונים או PET יש לתת תחילה עוקב רדיונוקלידים כגון 18 F fluoro, דאוקסי גלוקוז לכל חולה בקבוצת המחלה לאחר צום של לפחות 12 שעות הפסקת תרופות ולכל ביקורת רגילה.

המתן 45 דקות עד שהעוקב יגיע לשיווי משקל ברקמה. לאחר מכן סרוק כל אדם בזמן שהוא במנוחה בעיניים פקוחות לגזירת תבנית. סרוק מספר שווה של מטופלים ובקרות בהתאמה למין ו-H לאחר השלמת הסריקה.

העבר נתוני תמונה לתחנת עבודה והמר אותם לתבנית מתאימה לניתוח. תוכנת הניתוח MATLAB מבוססת החלונות המשמשת כאן דורשת המרה מפורמטים מתקדמים לניתוח או תמונות בפורמט מגניב. לאחר מכן, נרמל את התמונה של כל נבדק למרחב סטריאוטקסי משותף באמצעות חבילת תוכנה סטנדרטית להדמיה מוחית כגון SPM, כך שתהיה התאמה של אחד לאחד של ערכי ווקסל בין הנבדקים.

לאחר מכן החילו מסיכת חומר אפור על התמונה המנורמלת כדי להגביל את הניתוח לאזורי חומר אפור. אם מסיכה חיצונית אינה זמינה, צור מסיכות נושא בודדות על-ידי אי הכללת ערכים נמוכים מסף שצוין. אחוז מהערך המקסימלי של כל נבדק והכפל את המסכות כדי להגדיר מרחב ווקסל חומר מוחי אפור מורכב לניתוח.

על מנת לבצע ניתוח רכיבי עקרון מודל SubProfile בקנה מידה מרובה משתנים או S-S-M-P-C-A, השתמש בסריקת השגרות הפנימיות VP הזמין באתר מדעי המוח של פיינשטיין. זמין גם כארגז כלים למיפוי פרמטרי סטטיסטי, SSM PCA בתפריט סמנכ"ל הסריקה, בחר סטטיסטיקה. אחר כך SSM, אחר כך מבוסס ווקסל, ואז PCA.

לאחר מכן, סמן את בחר פקדים בתפריט ובחר את תמונות הבקרה שנורמלו בעבר. לאחר מכן בחר קבצי תמונה כדי להזין את תמונות המטופל המנורמלות. בחר מסיכה או סף מתאימים ובדוק את האפשרויות האחרות בתפריט.

לאחר מכן לחץ על תהליך והזן שם לפלט הניסיוני. המתן עד שהתצוגה תציג תמונות רכיבי עיקרון מעניינות בקבצי הניקוד המתאימים לתוכנות אחרות. חקו את האלגוריתם שבוצע על ידי התהליך האוטומטי שתואר זה עתה.

על מנת להשיג את נתוני המסכה הראשונים באמצעות מסכת תמונה אפס אחת זמינה כדי להסיר אזורים לא רצויים במרחב הווקסל כגון חומר לבן וחדרים כמתואר בשלב העיבוד המקדים. לאחר מכן, המר את נתוני השועל של התמונה התלת-ממדית של כל נבדק לווקטור שורה רציף אחד על ידי הוספת קווי סריקה עוקבים ממישורים עוקבים היוצרים מטריצת נתונים קבוצתית כך שהנתונים של כל נבדק יתאימו לשורה ספציפית של המטריצה. לאחר מכן כל עמודה מייצגת ווקסל מסוים בין נושאים.

לאחר שכל נושא נטען למטריצה, הפוך כל ערך נתונים לצורה לוגריתמית. לאחר מכן מרכז את מטריצת הנתונים על ידי הפחתת ממוצע כל שורה או ממוצע נושא מרכיבי השורה. הממוצע של כל השורות הממורכזות מייצג קבוצה אופיינית ממוצעת תמונת יומן, מונח לקבוצה, פרופיל ממוצע או GMP.

לאחר מכן, הפחיתו את אמצעי העמודה מרכיבי עמודת המטריצה המתאימים. כל שורה של המטריצה המרוכזת הכפולה מייצגת תמונה שיורית הנקראת פרופיל שיורי של נושא או SRP שהאלמנטים שלה מייצגים סטיות הן מקבוצת הנושא S והן מקבוצת הווקסל V פירושה שזה קורה על פי המשוואה המוצגת כאן כאשר S-R-P-S-V הוא אלמנט של מטריצת SRP המתאים לנושא S ו-voxel. VDSV הוא ערך הנתונים המקורי ממוצע S הוא הערך הממוצע של הנושא ו-GMPV הוא הערך הממוצע הקבוצתי של ווקסל V.לאחר מכן, בנה את הנושא לפי מטריצת קובאנס נושא C של מטריצת הנתונים SRP המרוכבת הכפולה על ידי חישוב ה-Covance הלא מנורמל בין כל זוג שורות של מטריצת הפרופיל השיורי של הנושא.

באמצעות משוואה זו המוצגת כאן כאשר CIJ הוא מרכיב של הקובנס הסימטרי, מטריצה C ו-c, RRP IV ו-CRP JV הם רכיבי ווקסל תואמים של מטריצת CRP ורד INJ המוכפלים ומסוכמים על כל הווקסלים. לאחר מכן החל ניתוח רכיבי עקרון על הנבדק לפי מטריצת קובנס C.התוצאות יהיו קבוצה של וקטורי egen ציון נושא עם ערכי egen משויכים. לאחר מכן, שקלו כל וקטור על ידי הכפלה בשורש הריבועי של ערך ה-egen המתאים לו.

קבוצת הווקטורים העצמיים של הניקוד מיוצגת על ידי העמודות של המטריצה S המוצגת כאן. לאחר מכן, קבע וקטורי ווקסל egen עבור אותה קבוצה של ערכי egen על ידי הכפלת מטריצת וקטור הניקוד בטרנספוזיציה של מטריצת הפרופיל השיורי של הנושא. זה יוצר מערך P של דפוס ווקסל, וקטורי egen בסדר יורד של ערכי egen על פי המשוואה המוצגת כאן כאשר P היא המטריצה של וקטורי ווקסל egen של רכיב העיקרון.

SRPT היא הטרנספוזיציה של מטריצת SRP ו-S היא מטריצת וקטור הניקוד ואז להפוך כל וקטור לתמונת רכיב עיקרית. כל תמונת רכיב עיקרי מיוחסת לאחוז מהשונות הכוללת שנלקחה בחשבון או VAF המתאים לגודל היחסי של ערך האיגון שלה. לבחון את תוצאות ניתוח הרכיבים העיקריים כדי לקבוע דפוסים הקשורים לערכים גבוהים.

וקטורים וציונים של דפוס Voxel עוברים טרנספורמציה Z כך שהערכים שלהם מייצגים סטיות תקן חיוביות ושליליות מהערכים הממוצעים. לאחר מכן, נסה לזהות סטיות אזוריות הקשורות למחלה הנחקרת. לאחר מכן בחן תרשימי פיזור של הציונים המתאימים לכל תבנית רכיב עיקרי.

ניתן ליצור גם עלילת מאפיין הפעלה אופציונלית של מקלט כדי לזהות דפוס ספציפי למחלה. להעריך את ההבחנה בין ציוני הנבדקים בין מטופלים לביקורת על ידי בחינת ערכי ה-P של שני מבחני ה-T המדגם המתאימים והשטח מתחת לערכי העקומה. הווקטור הבא מנרמל ומשלב באופן ליניארי את מרכיבי העיקרון שנבחרו כדי להניב דפוס יחיד הקשור למחלה.

כדי להשיג זאת, פונקציית MATLAB, התאמת GLM משמשת לקביעת מקדמים על סמך מודלים לוגיסטיים או רגרסיה אחרים החלים על ציוני הנושא. לאחר זיהוי דפוס סמן ביולוגי, אתה יכול להעריך את ביטוי הציון שלו בנבדק פוטנציאלי מהסריקה של אותו אדם, פעולה זו מבוצעת על ידי TPR בתפריט. כדי להשיג זאת השתמש בחישוב פשוט של תוצר וקטור הנקודה הפנימי של וקטור ה-SRP של הנבדק וקטור דפוס GIS.

לבסוף, אמת עוד יותר את הסמן הביולוגי של הדפוס הפוטנציאלי המתקבל על ידי דגימה מחדש של אתחול באמצעות תוכנה חיצונית ועל ידי אימות קדימה של קבוצות נבדקים בלתי תלויות. אימות קדימה מתאפשר על ידי שימוש ב-TPR לקביעת ציונים עבור קבוצה פוטנציאלית. מוצגות כאן תצוגות ציריות דרך המקור של ארבעת התמונות הראשונות של המרכיבים העיקריים של ניתוח SSM של 10 חולי פרקינסון שאובחנו קלינית עם 10 בקרות תואמות גיל ומין.

הצבעים החמים מצביעים על עלייה יחסית בפעילות המטבולית. במסגרת עיקרון זה, תרומת הרכיב לפרופיל השיורי הכולל של הנבדק, בעוד שצבעים קרים מצביעים על ירידה מטבולית יחסית. למרכיב העיקרי הראשון הייתה השונות הגדולה ביותר או ערך VAF וערך ה-P הקטן ביותר המייצג מובהקות גבוהה והוא היחיד שיכול להיחשב לבדו כסמן ביולוגי עצמאי פוטנציאלי.

אזורי השונות המשמעותיים התורמים לדפוס הכללי ניכרים כאשר הם מוצגים בתצוגות אורתוגונליות על רקע תמונה מבנית של MRI, ניתן להשתמש בשילוב של רכיבים עיקריים כדי לנסות ולהגדיל את המשמעות כמו במקרה של רכיבים 1 ו-4, כאשר בשילוב מוריד את ערך ה-P המרמז על מובהקות גבוהה יותר. גרפים אלה מציגים את גרפי העמודות הבלתי תלויים ותרשימי הפיזור של נושא הנגזרת ציוני Z של מרכיב עיקרי אחד ומרכיב עיקרי ארבע בלבד. המרכיב העיקרי הראשון מפלה באופן משמעותי חולים מקבוצת הביקורת.

ואילו הרביעי מדגים מגמה. השילוב הלוגיסטי הליניארי של מרכיב עיקרי ראשון ומרכיב עיקרי רביעי משפר את האפליה. כפי שצוין קודם לכן, התבנית המשולבת מדגימה הפרדה מושלמת בסף ציון Z של 0.9.

שילוב המרכיב העיקרי השלישי מראה אפליה מוגברת מעט לעומת השילוב של אחד וארבע, אך כל ארבעת המרכיבים העיקריים לא שיפרו את האפליה בנתונים בשל יכולת אי-ההבחנה של העיקרון. רכיב. שתיים, הערכת ציון פרוספקטיבי של דפוסים עבור מרכיב עיקרי ראשון ודפוסים משולבים של מרכיבים עיקריים 1 ו-4 מרכיבים עיקריים 1, 3 ו-4 ומרכיבים עיקריים 1, 2, 3 ו-4 עבור 22 בקרות נורמליות ו-22 חולי פרקינסון. נראה כי השטח מתחת לערכי העקומה והרגישות פוחת עבור יותר משני מרכיבי עיקרון משולבים.

בעוד שערכי P נוטים להיות פחות חזקים, שיפור לא משמעותי נצפה עבור PC one four על פני PC one בלבד בערכי UC ו-P. בניגוד להבדל המשמעותי שנחזה במדגם הנגזרת. ברגע שנדרשות סריקות מחולים עם מחלה ונבדקי ביקורת זיהוי ואימות של דפוסי מחלה מציאותיים ותקפים, זה הופך להליך פשוט באמצעות אלגוריתם זה לאחר שדפוסי המחלה זוהו ותוקפו, ניתן להשתמש בשיטות אחרות כמו ניתוח מתאם של ציוני מטופלים עם מדדים קליניים עצמאיים כדי לענות על שאלות נוספות.

לדוגמה, האם הסמן הביולוגי של ההדמיה משקף ביטויים מוטוריים או קוגניטיביים של מחלה או האם ביטויי דפוסי המחלה יכולים לעזור להבדיל בין מצבים שונים המציגים תסמינים דומים במקרים קליניים קשים לאבחון. אל תשכח שלא ניתן ליישם הליך זה ישירות על נתוני MRI פונקציונליים של סדרות זמן בגלל התנודות הדינמיות בתגובה ויחס האות לרעש הנמוך הקשור לאותות FMRI.