Name: データを神経画像の多変量解析の基礎 (動画) | JoVE Journal
Uploaded: 2010-07-24T17:00:00.000+00:00
Duration: 6 min 35 s
Description: 学ぶ神経画像データの多変量解析手法。主成分分析と線形判別分析を用いてアルツハイマー病診断の精度を向上させ、独立データセットへの汎化性能を示す計算的手法を解説する。

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

著者はNIHの助成金による支援に感謝いたします。
NIH/NIBIB 5R01EB006204-03 神経画像解析への多変量アプローチ
NIH/NIA 5R01AG026114-02 ASL MRIおよび共分散分析を用いた早期AD検出
ADNI：画像データは、Alzheimer's Disease Neuroimaging Initiative (ADNI) (NIH U01AG024904) によって提供されました。本プロジェクトのデータ収集および共有は、Alzheimer's Disease Neuroimaging Initiative (ADNI) (National Institutes of Health Grant U01 AG024904) の助成を受けて行われました。ADNIは、国立老化研究所、国立生物医学画像・生物工学研究所、および以下の団体からの寛大な寄付によって資金提供を受けています：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.、Wyeth、ならびに非営利パートナーであるAlzheimer's AssociationおよびAlzheimer's Drug Discovery Foundationであり、米国食品医薬品局も参加しています。ADNIへの民間部門からの寄付は、Foundation for the National Institutes of Health (<a href="http://www.fnih.org">http://www.fnih.org</a>) によって促進されています。助成金受領機関はNorthern California Institute for Research and Educationであり、本研究はカリフォルニア大学サンディエゴ校のAlzheimer's Disease Cooperative Studyによって調整されています。ADNIデータは、カリフォルニア大学ロサンゼルス校のLaboratory for Neuro Imagingによって配布されています。また、本研究はNIH助成金P30 AG010129、K01 AG030514、およびDana Foundationの支援を受けています。

<ol><li>脳内のボクセル（図1の= 3次元ピクセル）と示される3つだけの領域が、測定した50人の参加者、に設定されている仮想的なデータ：多変量解析の概念的な概要を与えるために、我々は非常に単純な状況を想像することができます。 （図1をここに挿入し、上で音声と字幕を読んで。） </li><li>多変量解析の一般的な目的は、データの分散の主要な発生源を特定し、分散のこれらのソースの観点からデータに関心の主要な効果を記述することです。図2は、単純化した例を示しています。 （図2をここに挿入し、上で音声と字幕を読んで。） </li><li>我々は現在、臨床データセットへの単変量および多変量の両方の分析を適用する。我々は、アルツハイマー病神経イメージング研究イニシアティブ（http://www.loni.ucla.edu/ADNI/）のウェブサイトから95の早期のアルツハイマー病患者と102年齢をマッチさせたコントロールのFDG - PETの休憩スキャンをダウンロード。我々は無作為に患者とコントロールの両方の20スキャンを拾い、私たちの導出のサンプルとして、それらを指定。残りの75および82のスキャンは、それぞれ、私たちの複製のサンプルを構成する。単変量および多変量アルツハイマー病（AD）マーカーは、現在、導出のサンプルに由来し、その診断効率は、レプリケーションのサンプルでテストされます。 </li><li>単変量マーカーでは、コントラスト20、コントロール、20 ADスキャンでは、導出のサンプルでスキャンして、T -テストによって示されるようにAD患者におけるPETの信号で最大の減少を示す脳の場所を選ぶ。この地域の診断有効性をテストするには、我々はこの場所でレプリケーションサンプルのデータをチェックし、病気の状態の関数としてのPETの信号をプロットします。 </li><li>多変量マーカーの場合は、まず対象のスケーリング係数は、AD患者と健常対照者との間の最大差の平均値を示す最初の5主成分から共分散のパターンを構築して導出のサンプルの組み合わせ40スキャンでPCAを実行し、と。 （詳細は、これらの代表的な論文2で見つけることができます。）導出のサンプルを形成して得られた診断共分散のパターンをして前向きにレプリケーションサンプルに適用されます。結果として被験者のスケーリング係数は、疾患の状態の関数としてプロットされている。 </li><li>ステップ4と5から単変量および多変量の両方のアプローチのより一般的な比較を提供するために、我々は、それぞれの時間が20分の20導出のサンプルと82分の75を形成し、リサンプリングデータに1,000回を"スプリットサンプル"シミュレーションを実行し、両方の手順を繰り返します。 AD患者と健常対照者の再出発の複製。単変量および多変量の疾患マーカーは、導出のサンプルから計算されると決定しきい値は、最大で1健康な制御は、AD（=特異度95％）として誤分類されるように設定されています。彼らの特定の決定のしきい値と疾患マーカーは、前向きにレプリケーションサンプルに適用されます。レプリケーションサンプルの分類のエラー率は、すべてのリサンプリングの反復のために記録されます。 </li></ol>代表的な結果 一変量のパフォーマンスは、結果を図3に詳細に見ることができます。最大のAD関連FDGの赤字の面積は、スーパー側頭回、ブロードマン領域38に発見された。 ROC曲線下の面積はAUC = 0.90であった達成。レプリケーションサンプルのこのコントラストの一般化はAUC = 0.84のROC曲線下面積で非常に良かった。 多変量のパフォーマンスは、結果を図4に詳細に見ることができます。関連する信号の損失がparietotemporalと前頭葉の領域、および後部帯状回を発見された間に病気に直面して信号の相対的な保全を示唆正の負荷、ある領域は、小脳に認められた。導出とレプリケーションサンプルの両方でROCカーブ下の面積はそれぞれ、0.96および0.88における単変量マーカーよりもやや優れていた。 スプリットサンプルのシミュレーション結果を図5に詳細に見ることができます。図は、多変量マーカーが単変量マーカーより診断能の向上複製を与えることを示しています。単変量マーカーのためにそれは0.307であるのに対し、多変量マーカーの平均合計エラー率は、0.203です。 <img src="/files/ftp_upload/1988/1988fig1.jpg" alt="図1" data-altupdatedat="1787634011000" data-alt="図1"> 図1この単純な図は、単変量および多変量解析の戦略の違いを説明します：仮想的な3次元のデータセットは、この図に表示されます。左側には、プロットされた3つの変数間に相関関係はありません。対照的に右側で、1つはすべての3つのボクセルの間に正の相関を示す分散の主要なソースを見ることができます。単にボクセルごとのボクセル単位で値を意味すると考えている単変量解析では、2つのシナリオの違いを言うことができませんでした。多変量解析では、対照的に、バリアンの主要な源を識別する神経活性化パターンを構築するために進む前に、データのCE（赤い矢印）は、これらのソースを形成する。 <img src="/files/ftp_upload/1988/1988fig2.jpg" alt="図2" data-altupdatedat="1787634011000" data-alt="図2"> 図2。このスライドでは、簡略化した形でデータを神経画像内の任意の多変量解析の基本的な成果を示しています。脳内のボクセルの位置を示す、対象指数の、とボクセルのインデックスxに依存するデータ配列Y（S、x）は、、いくつかの項の和に分解されます。最初に、純粋に対象依存の因子得点、SSF（S）、そして純粋にボクセルに依存する共分散パターン、V（x）の製品。共分散のパターンによって説明することができる2番目の、活性化​​が主題とボクセルに依存した雑音項、E（S、X）でキャプチャされます。方程式以下の二つのグラフィックスは、予告スケーリングファクターと共分散パターンの例を与える。対象因子得点によって示されるようにすべての参加者は、単に異なる程度に、共分散のパターンを明示する。むしろ別々に全てのvoxelの行動を追跡することより、共分散のパターンとその主題の表現は、分散の主な原因の無駄のない要約を提供しています。領域が同時にそれらに関連する活性を増加させる赤で示されている間、大きさの被写体倍率が増加すると、共分散のパターンで青色で示された領域は、それらに関連する活性化を減少させる。対象因子得点は、対象年齢や認知タスクの行動パフォーマンスのような関心の外部変数と相関し、多重比較に対する補正は、この相関関係に適用する必要がありますすることはできません。 このような分解のためのいくつかのテクニックが存在しますが、最も一般的なものは、主成分分析（PCA）です。これは私たちにとって最適な手法です。主題スケーリングファクタは最初の場所では、共分散のパターンを生成しただけで、データセット、等しい次元が設定されているデータに共分散のパターンをしない投影することによって得ることができることに注意してください。これは、1つのデータセットで観察された脳 - 行動の関係は、異なるデータセットにレプリケートできるかどうかをテストするための共分散のパターンに適しています。 <img src="/files/ftp_upload/1988/1988fig3.jpg" alt="図3" data-altupdatedat="1787634011000" data-alt="図3"> 図3：この図は、単変量解析の結果を示しています。左下のパネルでは、FDGの信号値は、導出のサンプルの最大のAD関連の赤字を示す領域にプロットされています。そのMNI座標はX = 2mmの、Y = -48 mmのZ = 30ミリメートル（楔前部/ PCG、ブロードマンエリア31）です。右下のパネルには、レプリケーションサンプルのこの非常に場所でのFDGの信号を示しています。一つは、レプリケーションサンプルのAD患者と対照との間のFDGの違いは、依然として重要な一方、全体的、グループ間のより多くのオーバーラップで還元されていることを理解することができる。 <img src="/files/ftp_upload/1988/1988fig4.jpg" alt="図4" data-altupdatedat="1787634011000" data-alt="図4"> 図4この図は、多変量解析の結果を示しています。トップパネルには、我々はそれぞれ、赤と青の共分散のパターンで有意に正と負の重みの領域（P &lt;0.001）を示すいくつかの軸方向のスライスを表示します。私たちはその地球の平均値ですべてのスキャンをスケーリングことに注意してください、そう、赤と青の色は、疾患の重症度とPET信号の代わりに相対的と絶対的な増減を示している。青は病気の結果として、信号の損失を示し、赤色の領域は、このように、病気に直面して相対的な保全をほのめかす。青色の領域は後帯状回、parietotemporalと前頭部に出現しながら赤の領域は主に、小脳に記載されています。左下のパネルは：AD -関連の共分散のパターンの対象因子得点は、導出のサンプルで表示されます。高い被験者のスコアは、AD患者のために発見されています。右下のパネル：レプリケーションサンプルのAD関連の共分散パターンの将来のアプリケーションに起因する被験者因子得点がここにプロットされています。一つは、レプリケーションサンプルの増加オーバーラップと診断コントラストの軽度の悪化を認めることができるが、診断有効性の一般化は、単変量の場合よりも著しく優れています。 <img src="/files/ftp_upload/1988/1988fig5.jpg" alt="図5" data-altupdatedat="1787634011000" data-alt="図5"> 図5。この図は、1,000分割サンプルシミュレーションの結果を示しています。記載されている手段と、レプリケーションサンプルの単変量および多変量診断エラー率の標準偏差である。一つは、パフォーマンスの多変量マーカーの一般化は、単変量マーカーのよりものの幾分変数かなり優れていることを理解することができる。

<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>

利害の衝突は宣言されません。

我々は、視聴者の多変量解析の基本の味を与えていると思っています。興味のある視聴者は、当社のウェブサイトをチェックアウトすることをお勧めします。多変量解析でのパラメータのいくつかの選択肢は、かなりの議論の対象に議論できるよう作られた。我々は主要な問題から気晴らしを避けるために、この記事ではこれらの問題の議論を免れる。最初に、我々は、ADに関連する共分散のパターンを構築する最初の6つの主成分を選びました。我々は4つを議論していないことこの選択の理論的な理由があります。 6主成分しかし、特定の選択は、私たちの議論にとって重要ではない：一つは、2〜20のPCからの範囲で選択し、まだ分割サンプルシミュレーションにおける多変量マーカーの優れた汎化性能を得ることができます。結果は、導出および複製サンプルでは、​​被験者の数字の選択に関しても同様に堅牢です。我々は、レプリケーションサンプルの両方のグループの20人の被験者を選んだが、これは計算を高速化するために数学的な便宜のために純粋だった。導出のサンプル中の被験者の数が増えたときの両方の技術の優劣に関する我々の結果は、同様に保持されるため。 第二に、我々は多変量解析の最も基本的な種類を発表した。機械学習の文献、前にPCAの線形および非線形変換、およびさまざまな他のしわから借用したテクニックとかなりの合併症はさらに汎化性能を向上させることがその実現可能である。簡単にするために、この記事ではこれらの可能性に触れていない。

データを神経画像の多変量解析の基礎

Basics of Multivariate Analysis in Neuroimaging Data

彼らは簡単に、より一般的に使用される単変量、ボクセル単位で、テクニックでは実現できない多くの魅力的な特徴を持っている神経画像データのための多変量解析の手法は、近年ますます注目を受けている<sup&gt; 1,5,6,7,8,9</sup&gt;。多変量のアプローチは、むしろボクセルごとのボクセル単位で進むよりも、脳の領域にわたって活性化の相関/共分散を評価する。従って、それらの結果をより簡単にニューラルネットワークの署名として解釈することができます。単変量のアプローチは、その一方で、直接脳内の地域間の相関をアドレス指定することはできません。ボクセル毎の多重比較のために非常に厳しい補正を採用を強制される変量のテクニック、と比較した場合、多変量のアプローチはまた、より大きな統計的検出力になることがあります。さらに、多変量の手法も完全に新しいデータセットに複数のデータセットの分析から結果の将来のアプリケーションにより良い自分自身を貸す。多変量の手法は、このようにも潜在的に高い統計的検出力と優れた再現性のチェックと同様に単変量的なアプローチへの行動との平均差との相関、、に関する情報を提供するために配置されます。これらの利点とは対照的に地域社会のより広まったアプリケーションを防止する、多変量のアプローチの使用へのエントリの高い障壁です。多変量解析の手法に精通する神経科学者に、フィールドの初期調査では、アルゴリズム的に似ていますが、一般的に数学の背景を持つ人々によって、さまざまな強調が表示されているアプローチは途方に暮れる様々な紹介があります。我々は、多変量解析の手法がより良い普及を正当化する十分な可能性を秘めていると考えています。研究者は、情報にアクセス可能な方法でそれらを採用することができるはずです。現在の記事は初心者のための多変量手法の教訓的な導入の試みです。概念の導入は明らかに多変量アプローチの優れた性能を実証する、アルツハイマー病の神経イメージング研究イニシアティブ（ADNI）から設定された診断データには非常に単純なアプリケーションで続いている。

現在の記事は、多変量解析の基本を説明し、一般的に使用されるボクセル単位の単変量解析に対照的です。分析の両方のタイプの臨床神経科学のデータセットに適用されます。補足折半のシミュレーションでは、独立したデータセットにおける多変量の結果のより良いレプリケーションを示しています。

ニューロイメージングデータの多変量解析手法は、従来の手法では実現できなかった多くの魅力的な特性を備えていることから、近年ますます注目を集めています。

このビデオでは、アルツハイマー病の診断への応用を例に、神経画像データの多変量解析および単変量解析の手法を実演し、比較します。まず、単変量解析のために、20名の早期アルツハイマー病患者と、年齢を一致させた20名の健康対照群の脳活動を対比させます。SPMを用いて、対照群と比較してアルツハイマー病患者でFDG PET信号の相対的な低下が最も顕著に認められる脳領域を特定します。多変量解析では、線形判別分析を用いた主成分分析によりマーカー結果を導出します。その結果、多変量マーカーは単変量マーカーよりも優れた診断能を示し、独立したデータに対してもより高い汎化性能を持つことが示されます。こんにちは。コロンビア大学医学センター神経内科 TA Institute の Christian Halbeck です。本日は、神経画像データの多変量データ解析の例をご紹介します。当研究室では、神経画像データからアルツハイマー病を早期に検出するための最適な方法を研究するために、この手順を用いています。それでは、始めていきましょう。まずは、神経画像データの多変量解析に関する概念的な概要から説明します。多変量解析アプローチでは、単変量解析のようにボクセル単位で処理を進めるのではなく、脳領域間の活動の相関を評価します。例えば、脳内のボクセルとして指定された3つの領域のみを測定した、50人のヒト被験者による単純な仮想データセットを想定してみましょう。多変量解析の一般的な目的は、データにおける分散の主要な要因を特定し、その上でデータに含まれる関心のある主効果を記述することです。これらのバリアント（変異）の要因に関して、単変量解析ではボクセル間の相関が考慮されません。ここで示されている両方のパネルは、ボクセル間に相関があるかどうかにかかわらず、単変量解析では同一の方法で処理されます。このビデオでは、AD（アルツハイマー病）の早期患者95名と、それに対応する健康な対照群102名のFTG PET安静時スキャンを含む臨床データセットを用いて、単変量解析および多変量解析の両方の解析手順を実演します。すべての脳画像のうち、患者と対照群からそれぞれ20枚をランダムに抽出し、導出サンプルとします。残りの75回および82回のスキャンが、それぞれ再現サンプルとなります。次に、このデータセットに単変量解析と多変量解析の両方をどのように適用するかを見ていきましょう。まず単変量アプローチから始め、SPMソフトウェアを用いて単変量アルツハイマー病マーカーを求めます。導出サンプルにおけるADスキャン20回と対照群のスキャン20回を対比させるために、対照群と比較してAD患者でPET信号が最も大きく減少している脳部位を選択してください。T検定を用いてこの領域の診断能を検証し、同じ脳領域の再現サンプルにおけるデータを確認して、疾患の状態を関数としてPET信号をプロットします。次に、多変量マーカーを取得します。カスタムMATLABツールボックスを用いた多変量解析には、オンラインで入手可能なカスタムMATLABツールボックスを使用します。派生サンプルにおける計40回のスキャンに対して、主成分分析（PCA）を行います。次に、80名の患者と健康な対照群の間で主成分スコアの平均差が最大となる上位6つの主成分から、Covanceパターンを構築します。派生サンプルから診断用Covanceパターンを得たら、それを再現サンプルに適用し、得られた被験者スコアを疾患状態でプロットして、2つのサンプル間での性能を比較します。単変量アプローチと多変量アプローチをより一般的に比較するために、分割サンプルシミュレーションを実行し、再サンプリングされたデータに対して前述のステップを1000回繰り返します。その際、毎回、20例から20例の導出サンプルと、80名の患者および健常対照群からなる75例から82例の再現サンプルを新たに作成します。分割サンプルシミュレーションは、導出サンプルから得られたマーカーの予測誤差を再現サンプルで記録することで、そのマーカーを容易に検証できるため、方法論的な研究において一般的です。導出サンプルから単変量および多変量の疾患マーカーを算出し、最大1名の健常対照群がADと誤分類されるように決定しきい値を設定します。これは特異度95%に相当します。最後に、それぞれの決定しきい値を伴う疾患マーカーを再現サンプルに適用し、すべての再サンプリング反復における再現サンプルの分類エラー率を記録します。それでは、単変量分析および多変量分析の結果と、分割サンプルシミュレーションのエミュレーションを確認しましょう。単変量解析において、ADに関連する最大のFDG低下領域は、前帯状回（ブロードマン領域31）で認められました。また、得られたROC曲線の下面積（AUC）は0.90でした。このコントラストの再現サンプルへの汎用性は非常に高く、多変量解析のROC曲線下面積（AUC）は0.84でした。正の負荷量を持つ領域は、疾患に直面しても信号が相対的に保持されていることを示唆しており、小脳で認められました。一方で、関連する信号の消失は、側頭葉、前頭葉、および後帯状回で認められました。導出サンプルと再現サンプル双方におけるROC曲線下面積は、それぞれ0.96および0.88であり、単変量マーカーよりもわずかに優れた結果となりました。1000回の分割サンプルシミュレーションで記録された総分類エラー率から、多変量マーカーが単変量マーカーよりも診断性能の再現性が高いことがわかります。以上で、Ft.G PETスキャンにおけるアルツハイマー病の診断問題に多変量解析を適用する方法について解説しました。すべてのデータは、Alzheimer's Disease Neuroimaging Initiativeのウェブサイトから公開されています。実際のデータを用いてこの手順を行う際は、事前に通常の品質管理ステップが適用されていることを念頭に置くことが重要です。質の低いデータに対して、解析で魔法のような効果を得ることはできません。以上です。ご視聴ありがとうございました。分析の成功をお祈りいたします。

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

Research

JoVE Journal

Neuroscience

神経科学

古典的な多変量パターン解析は、対象者が対応する皮質（大脳皮質視覚野における活動からの例：視覚刺激）の神経活動から知覚感覚刺激を予測する。ここで、我々は、パターン分析のクロスモーダル適用され、その音とタッチを暗示視覚刺激がそれぞれ、聴覚と体性感覚皮質の活動から予測することができます。見せる...

クロスモーダル多変量パターン解析

我々は、磁気共鳴画像法（MRI）を用いて脳の機能と構造の同時分析のための斬新なアプローチを説明します。我々は、高解像度の拡散強調イメージングおよび白質繊維ラクトで脳の構造を評価する。標準的な構造のMRIとは異なり、これらの技術は、私たちが直接、脳のネットワークの機能的特性に解剖接続を関連付けることができます。...

fMRIと拡散強調画像を用いた脳の構造と機能の同時分析

主成分分析（PCA）を含む多変量技術は脳機能画像における地域変化のシグネチャパターンを識別するために使用されている。我々は、神経変性疾患の診断、疾患の進行の評価、および患者集団における治療効果を客観的に評価するための再現可能なネットワークバイオマーカーを同定するアルゴリズムを開発した。...

ニューロイメージングデータを用いた疾患関連空間共分散パターンの同定

時間を越えてのfMRI多ボクセル情報の同期出現を測定するために情報を使用した接続

側頭葉てんかん（TLE）でのデフォルトモードネットワーク（DMN）は、シードベースの機能的結合、MRI（fcMRI）を用いて脳の静止状態で分析されている。...

側頭葉てんかんにおける機能的結合MRIを用いてデフォルトモードネットワークのネットワーク解析

標準的な脳波分析技術は、神経系機能に関する限られた洞察を提供する。皮質接続の統計モデルを導き出すには、基礎となるネットワークダイナミクスを調査する能力がはるかに高くなります。機能評価の改善は、神経系疾患における診断、予後、および結果予測の新たな可能性を開きます。...

非侵襲的脳波を用いた皮質接続の統計的モデリング

これは、大麻誘発精神病患者と非精神病性慢性大麻ユーザーとの間の灰色物質の体積差を調査することを目的とした3T磁気共鳴画像研究である。...

精神病の有無にかかわらず大麻使用者の脳形態:パイロットMRI研究

脳における脈絡叢の重要な役割にもかかわらず、この構造の神経画像研究は、信頼性の高い自動セグメンテーションツールがないため、ほとんどありません。現在のプロトコルは、脈絡叢のゴールドスタンダードの手動セグメンテーションを確実にすることを目的としています 将来の神経画像研究に情報を提供できる。...

脳MRIを用いたヒト脈絡叢の手動セグメンテーション

機能的磁気共鳴画像法を使用して、認知感情調節課題の神経相関を調査するためのプロトコル、すなわち認知再評価を紹介します。このプロトコルは、強迫性障害および健康な対照の患者に使用されましたが、他の臨床サンプルにも使用できます。...

タスクベースの機能的磁気共鳴画像法を用いた強迫性障害における認知再評価の神経相関の探索

技術が広くマイクロバブルと超音波を用いたマウスにおける血液脳関門を開くために記述されています。このテクニックを使用して、マンガンは、マウスの脳に投与することができる。マンガンは脱分極の神経細胞に蓄積するMRI造影剤であるため、このアプローチは、神経活動のイメージングを可能にします。...

超音波血液脳関門の破壊とマンガン増強MRIを用いた脳機能イメージングの試み

学ぶ神経画像データの多変量解析手法。主成分分析と線形判別分析を用いてアルツハイマー病診断の精度を向上させ、独立データセットへの汎化性能を示す計算的手法を解説する。

データを神経画像の多変量解析の基礎

さらに動画を探す