Name: 데이터 Neuroimaging에서 복수 변수 분석의 기초 (동영상) | JoVE Journal
Uploaded: 2010-07-24T17:00:00.000+00:00
Duration: 6 min 35 s
Description: 학습하세요 FDG PET 신경영상 데이터에서 다변량 분석 기법을 활용하여 알츠하이머병 진단 정확도를 향상시키는 방법을. 주성분 분석과 선형판별분석을 적용하면 단변량 분석보다 우수한 진단 성능과 독립 데이터셋에 대한 일반화 능력을 확보할 수 있습니다.

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

저자는 NIH 교부금 지원에 대한 감사입니다 neuroimaging 분석 NIH / NIBIB 5R01EB006204 - 03 변수 접근 ASL MRI 및 공분산 분석 NIH / NIA 5R01AG026114 - 02 조기 AD 감지 ADNI : 영상 자료가 알츠하이머 병 Neuroimaging 이니셔티브 (ADNI) (NIH U01AG024904)에 의해 제공되었다. 이 프로젝트에 대한 데이터 수집 및 공유가 알츠하이머 질병 Neuroimaging 사업 (ADNI) (보건 부여 U01 AG024904 국립 연구소)에 의해 재정 지원되었다. 애보트, 아스트라 제 네 카 AB, 바이엘 셔링 파마 AG, 브리스톨 - 마이어스 Squibb, Eisai 글로벌 임상 개발, 엘란 공사 : ADNI는 고령화에있는 국립 연구소, 바이오 메디컬 이미징 및 생물의 국립 연구소에 의해 다음과 같은에서 관대한 기부를 통해 기금을 것입니다 Genentech, GE 헬스케어, GlaxoSmithKline, Innogenetics, 존슨 앤드 존슨, 일라이 릴리와 주식 Medpace, 주식, 머크와 (주), 주식 회사, 노바티스 AG, 화이자 병원, F. 호프만 - 라 호슈, 셔링 - 플로, Synarc , 주식 회사, 그리고 와이어스뿐만 아니라 비영리 파트너 알츠하이머 협회와 미국 식품 의약품 행정의 참여와 알츠하이머 약물 발견 재단. ADNI에 민간 부문의 기여는 건강 (국립 연구소의 기초에 의해 촉진 아르 <a href="http://www.fnih.org">http://www.fnih.org</a> ). 피부 조직은 연구 및 교육을위한 북부 캘리포니아 연구소이며, 연구는 캘리포니아 샌디에고 대학에서 알츠하이머 병 협동 연구에 의해 조정됩니다. ADNI 데이터는 캘리포니아 대학, 로스 앤젤레스에서 뉴로 이미징을위한 연구소로 확산됩니다. 이 연구는 NIH 보조금 P30 AG010129, K01 AG030514 및 데이 재단에 의해 지원되었다.

<ol><li> 단지 세 영역, 두뇌에 voxels (그림 1 = 3 차원 픽셀)로 표시된 50 인간의 참가자에 대해 설정된 가상 데이터가 측정되었습니다 다변수 분석의 개념적 개요를 제공하기 위해 우리는 매우 간단한 상황을 그림 수 있습니다. (그림 1 여기에 삽입을 통해 음성으로 캡션을 참조하시기 바랍니다.) </li><li> 다변수 분석의 일반적인 목적은 데이터 변동의 주요 소스를 식별하고 분산 이러한 소스의 측면에서 데이터에 대한 관심의 주요 효과를 설명하는 것입니다. 그림 2는 간단한 예제를 보여줍니다. (그림 2 여기에 삽입을 통해 음성으로 캡션을 참조하시기 바랍니다.) </li><li> 우리는 지금 임상 데이터 집합에 univariate 및 복수 변수 모두 분석을 적용할 수 있습니다. 우리는 알츠하이머 질병 Neuroimaging 사업 (http://www.loni.ucla.edu/ADNI/)의 웹사이트에서 95 초 알츠하이머 환자와 102 나이와 일치하는 컨트롤에 대한 FDG - PET 휴식 스캔을 다운로드했습니다. 우리는 무작위로 환자와 컨트롤 모두 20 스캔을 선택 및 유도 샘플로 지정. 남은 75​​ 82 스캔은 각각의 복제 샘플을 구성합니다. Univariate 및 복수 변수 알츠하이머 병 (AD)는 마커 이제 유도 샘플에서 유래하고, 그들의 진단 효율은 복제 예제에서 테스트한 것입니다. </li><li> univariate 마커의 경우, 우리는 반대로 20 컨트롤과 함께 20 AD 검사는 유도 샘플의 검사와 T - 테스트하여 그림과 같이 AD 환자에서 PET 신호에서 가장 큰 감소를 보여줍니다 뇌의 위치를​​ 선택합니다. 이 지역의 진단 효능을 테스트하기 위해, 우리는이 위치에 복제 샘플의 데이터를 확인하고 질병 상태의 함수로서 PET 신호를 플롯. </li><li> 복수 변수 마커에 대한, 우리는 먼저 주제 스케일링 팩터가 AD 환자와 건강한 컨트롤 사이에 최대한의 의미 차이를 보여주는 처음 5 교장 구성 요소에서 공분산 패턴을 구축 후 유도 샘플의 결합 40 검색에서 PCA를 수행합니다. (세부 사항은 이러한 대표적인 논문 2에서 찾을 수 있습니다.) 유도 샘플 양식 얻은 진단 공분산 패턴이 다음 prospectively 복제 예제에 적용됩니다. 그 결과 제목 스케일링 요소는 질병 상태의 함수로 꾸몄다 있습니다. </li><li> 4 단계와 5 univariate 및 복수 변수 두 가지 접근법보다 일반적인 비교를 제공하기 위해, 우리는 "분할 샘플"시뮬레이션을 수행하고 각 시간 20분의 20 유도 샘플을 형성하고 82분의 75, resampled 데이터를 두 단계를 1000 번 반복 AD 환자와 건강한 컨트롤을 새로이의 복제. Univariate 및 복수 변수 질병 마커 유도 예제에서 계산되고 결정 임계값은 대부분 1 건강 컨트롤 AD (= 특이성 95%)로 misclassified는 그러한 설정됩니다. 그들의 구체적인 결정 임계값과 질병 마커 다음 prospectively 복제 샘플에 적용됩니다. 복제 예제에서 분류 오류 요금은 모든 resampling 반복에 대한 기록됩니다. </li></ol> 대표 결과 Univariate 성능 결과는 그림 3에서 자세히 볼 수 있습니다. 가장 큰 AD 관련 FDG 적자의 영역은 슈퍼 시간적 이랑, Brodmann 영역 38 발견되었습니다. 달성 ROC 곡선 아래 -이 지역은 AUC가 = 0.90했다. 복제 샘플이 대조의 일반화는 AUC = 0.84의 ROC 곡선 아래의 면적은 꽤 좋았어요. 복수 변수 성능 결과는 그림 4에서 자세히 볼 수 있습니다. 관련된 신호 손실이 parietotemporal과 전두엽 영역과 후부 cingulate의 이랑을 발견하는 동안 질병의 얼굴에서 신호의 상대적인 보존 힌트를주는 긍정적인 loadings와 영역, 소뇌에서 발견되었습니다. 파생 및 복제 샘플 모두에서 ROC 곡선 아래 - 지역 각각 0.96과 0.88에 univariate 마커보다 약간 더 있었다. 분할 샘플 시뮬레이션 결과는 그림 5에서 자세히 볼 수 있습니다. 그림은 변수 마커가 univariate 마커 진단보다 더 나은 성능 복제를주는 것으로 나타났습니다. univariate 마커에 대한이 0.307 반면 복수 변수 마커에 대한 의미 총 오류율은 0.203이다. <img src="/files/ftp_upload/1988/1988fig1.jpg" alt="그림 1" data-altupdatedat="1787634011000" data-alt="그림 1"> . 그림 1이 간단한 그림은 univariate 및 복수 변수 분석 전략의 차이를 설명 가상 3 차원 데이터 집합이 그림에 표시됩니다. 왼쪽에서 역모를 3 개의 변수 사이에 상관 관계가 없습니다. 반대로 오른쪽에, 하나는 세 voxels 간의 긍정적인 상관 관계를 나타내는 분산의 주요 소스를 볼 수 있습니다. 단지 voxel별로 voxel 단위로 값을 의미로 간주되는 univariate 분석이 두 시나리오 간의 차이를 말할 수 없습니다. 복수 변수 분석, 반면에 베리안의 주요 소스를 식별신경 활성화 패턴을 구축하기 전에 데이터에 CE (빨간색 화살표)이 소스를 형성하고 있습니다. <img src="/files/ftp_upload/1988/1988fig2.jpg" alt="그림 2" data-altupdatedat="1787634011000" data-alt="그림 2"> 그림 2.이 슬라이드는 단순화된 형태로 데이터를 neuroimaging에 다변수 분석의 기본적인 성취를 보여줍니다. 제목 색인의, 그리고 두뇌의 voxel의 위치를​​ 나타내는 인덱스 voxel X,에 따라 데이터를 배열 Y (S, X)는, 여러 조건의 합계로 분해됩니다. 첫째, 순전히 제목에 의존 요소 점수, ssf (들), 그리고 순전히 voxel에 의존 공분산 패턴의 제품, V (X). 공분산 패턴에 의해 설명할 수 없다 둘째, 정품 인증은 제목과 voxel 종속적인 소음 용어, 전자 (S, X)에 캡처됩니다. 방정식 아래 두 그래픽 주제 스케일링 계수와 공분산 패턴의 예제를 제공합니다. 모든 참가자는 같은 주제 요소 평가 점수에 의해 표시된 다른 정도의 공분산 패턴을 승객 명단. 오히려 별도로 모든 voxel의 행동을 추적할 필요가보다 공분산 패턴과 주제 표현 분산의 주요 소스의 지극히 검소한 요약을 제공합니다. 영역이 동시에 관련 인증을 증가 빨간색으로 표시하는 동안 크기에 따라 조절 인자의 증가로 공분산 패턴에 파란색으로 표시된 영역은 그들의 연관된 활성화를 감소. 제목 요소 점수는 대상 연령이나인지 행동 작업에 성능이 같은 관심의 외부 변수와 상관 및 다중 비교에 대한 보정이 상관 관계에 적용되어야 수 없습니다. 이러한 분해하는 몇 가지 기법이 존재하지만, 가장 일반적인 하나는 주요 구성 요소 분석 (PCA)입니다. 이것은 우리의 선택의 기술입니다. 제목 스케일링 요소가 처음에 공분산 패턴을 생산 단지 데이터 세트, 동등한 차원 일련의 모든 데이터에 공분산 패턴하지 예상하여 얻을 수 있습니다. 이것은 하나의 데이터 세트에서 관찰되었다 뇌 - 행동 관계가 다른 데이터 집합에 복제할 수 있는지 여부를 테스트하기 위해 공분산 패턴이 적합합니다. <img src="/files/ftp_upload/1988/1988fig3.jpg" alt="그림 3" data-altupdatedat="1787634011000" data-alt="그림 3"> 그림 3.이 그림은 univariate 분석의 결과를 보여줍니다. 왼쪽 하단 패널에서 FDG 신호 값은 유도 샘플에서 가장 큰 AD 관련 적자를 보여주는 영역에 대한 꾸몄다 있습니다. 그 MNI 좌표가 X = 2mm 있으며, Y = -48 mm, Z = 30mm (Precuneus / PCG, Brodmann 영역 31). 오른쪽 아래 패널은 복제 샘플이 아주 위치에서 FDG 신호를 보여줍니다. 하나는 복제 예제에서는 AD 환자와 컨트롤 사이의 FDG 차이가 여전히 큰 반면 전반적으로, 그룹 간의 더 많은 중복과 함께 감소하는 감사하실 수 있습니다. <img src="/files/ftp_upload/1988/1988fig4.jpg" alt="그림 4" data-altupdatedat="1787634011000" data-alt="그림 4"> 그림 4.이 그림은 다변수 분석의 결과를 보여줍니다. 상단 패널에서, 우리는 각각 빨간색과 파란색의 공분산 패턴에서 크게 긍정적 및 부정적 가중치 영역 (P &lt;0.001)을 보여 여러 축 슬라이스를 표시합니다. 우리가 글로벌 평균 값에 의해 모든 검사를 축소합니다, 그래서 빨간색과 파란색은 질병 심각와 PET 신호의 오히려 상대와 절대 증가와 감소를 나타냅니다. 파란색이 질병의 결과로 신호 손실을 나타내며 빨간색 영역은 따라서, 질병의 얼굴에 상대 보전에 힌트. 파란색 영역은 후부 cingulate의 이랑, parietotemporal과 전두엽 영역에 표시하는 동안 빨간색 영역은 주로 소뇌에서 발견됩니다. 왼쪽 하단 패널 : AD - 관련 공분산 패턴의 제목 요소 점수는 유도 샘플에 표시됩니다. 높은 과목 점수는 AD 환자를 찾을 수 있습니다. 오른쪽 아래 패널 : 복제 예제 AD 관련 공분산 패턴의 미래의 응용 프로그램에서 발생하는 주제 요소 점수는 여기 꾸몄다 있습니다. 하나는 복제 샘플 증가 중복으로 진단 대비 악화 약간은 이해할 수 있지만, 진단 효능의 일반화는 univariate 케이스에 비해 눈에 띄게 좋다. <img src="/files/ftp_upload/1988/1988fig5.jpg" alt="그림 5" data-altupdatedat="1787634011000" data-alt="그림 5"> 그림 5.이 그림은 1000 분할 샘플 시뮬레이션의 결과를 보여줍니다. 상장 의미와 복제 샘플에 univariate 및 복수 변수 진단 오류 속도의 표준 편차입니다. 하나는 성능 변수 마커의 일반화가 univariate 마커 것보다 비록 다소 많은 변수가 상당히 좋은 것을 감사합니다.

<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>

관심 없음 충돌 선언하지 않습니다.

우리는 관객에게 다변수 분석의 기본의 풍미를 준 희망, 관심있는 시청자는 우리의 웹사이트를 체크 아웃하는 것이 좋습니다. 다변수 분석에서 매개 변수에 대한 몇 가지 선택이 그 상당한 논쟁의 대상이 논쟁이 될 수 있었다. 우리는 주요 문제에 산만을 피하기 위해이 문서에서 이러한 문제의 토론을 보상 받았을거야. 첫째, 우리는 AD와 관련된 공분산 패턴을 구축하는 첫번째 6 교장 구성 요소를 선택했습니다. 우리가 4 안한것 바로이 선택에 대한 이론적 이유가 있습니다. 6 주요 구성 요소의 특정 선택하지만 우리의 인수에 대한 중요하지 않습니다 하나 2 20 PC에 범위에서 선택하고 여전히 분리 샘플 시뮬레이션의 변수 마커의 뛰어난 일반화 성능을 얻을 수 있습니다. 결과는 유도 및 복제 샘플에서 과목의 숫자의 선택과 관련하여 마찬가지로 강력한 있습니다. 우리는 복제 예제에서 두 그룹의 20 과목을 선택, 그러나 이것은 계산 속도를 수학의 편의를 위해 순수하게되었다. 파생 샘플에서 과목의 숫자가 증가한다면 두 기술의 상대적인 장점에 대한 결과는 마찬가지로 개최합니다. 둘째, 우리는 변수 분석의 가장 기본적인 종류를 발표했다. 기계 학습의 문학, 이전 PCA에 선형 및 비선형 변환 및 기타 다양한 주름에서 빌린 기술을 상당한 합병증이 더욱 일반화 성능을 향상 수 가능합니다. 단순을 위해이 문서에서 이러한 가능성을 생각해 본적도 없어.

데이터 neuroimaging에서 복수 변수 분석의 기초

Basics of Multivariate Analysis in Neuroimaging Data

그들은 쉽게 더 일반적으로 사용되는 univariate, voxel - 현명한, 기술에 의해 실현되지 않을 수있는 매력적인 기능을 가지고 같은 neuroimaging 데이터에 대한 변수 분석 기술은 최근 증가하고 관심을받은<sup&gt; 1,5,6,7,8,9</sup&gt;. 복수 변수 접근은 오히려 voxel별로 voxel 단위로 진행보다 뇌 영역에 걸쳐 상관 / 공분산 활성화를 평가합니다. 따라서, 그들의 결과는 더 쉽게 신경망의 서명으로 해석될 수있다. Univariate 접근, 반면에, 직접적으로 두뇌에 interregional 상관 관계를 해결할 수 없습니다. voxel - 현명한 다중 비교에 매우 엄격한 정정을 고용 강요하지 univariate 기법과 비교하면 변수 접근 방법은 또한 더 큰 통계 전원이 발생할 수 있습니다. 또한, 다변수 기술은 완전히 새로운 데이터 세트 한 세트의 분석 결과의 예비 신청에 훨씬 더 자신을 빌려. 복수 변수 기법을 따라서 잘 가능성이 큰 통계 전원 및 더 나은 재현성 검사와 마찬가지로 univariate 접근하는 동작과 의미의 차이와 상관 관계,에 대한 정보를 제공하기 위해 배치됩니다. 이러한 장점 달리 변수 접근 방법의 사용에 항목의 높은 장벽은 지역 사회에 더 광범위한 응용 프로그램을 방지합니다. 다변수 분석 기법에 익숙한되는 신경학하려면, 필드의 초기 조사, algorithmically 유사한지만, 일반적으로 수학 배경을 가진 사람들에 의해, 다른 중점 제공됩니다 접근 어지러울 다양한 선물 수도 있습니다. 우리는 복수 변수 분석 기법보다 보급을 보증하기 위해 충분한 잠재력을 가지고있을 거라 믿고 있소. 연구자들은 정보와 접근 방식으로 그들을 고용 할 수 있어야합니다. 현재 문서는 초보자를위한 변수가 기술의 교훈 도입에 시도이다. 개념 소개 명확하게 다변수 접근 방식의 뛰어난 성능을 보여주는 알츠하이머 병 Neuroimaging 이니셔티브 (ADNI)에서 설정한 진단 데이터를 매우 간단한 응용 프로그램을합니다.

현재 문서는 변수 분석의 기초를 설명하고 더 일반적으로 사용되는 voxel - 현명한 univariate 분석에 대조를 이룹니다. 분석의 두 가지 유형이 임상 - 신경 과학 데이터 집합에 적용됩니다. 보충 분할 반 시뮬레이션은 독립적인 데이터 집합에 변수가 결과의 더 나은 복제를 보여줍니다.

데이터 Neuroimaging에서 복수 변수 분석의 기초

신경영상 데이터에 대한 다변량 분석 기법은 기존의 방식으로는 구현할 수 없는 여러 가지 매력적인 특징들을 가지고 있어 최근 점점 더 많은 관심을 받고 있습니다.

이 영상에서는 알츠하이머 진단에 적용 가능한 신경 영상 데이터의 다변량 및 단변량 분석 기법을 시연하고 비교합니다. 먼저, 단변량 분석을 위해 초기 알츠하이머 환자 20명과 연령이 일치하는 건강한 대조군 20명의 뇌 활동을 대조합니다. SPM을 사용하여 대조군 대비 알츠하이머 환자에게서 FDG PET 신호의 상대적 결손이 가장 크게 나타나는 뇌 영역을 식별합니다.다변량 분석을 위해, 선형 판별 분석을 결합한 주성분 분석을 사용하여 마커 결과를 도출하며, 이는 다변량 마커가 단변량 마커보다 더 우수한 진단 성능을 제공하고 독립적 데이터에 대해 더 뛰어난 일반화 능력을 보여준다는 것을 나타냅니다. 안녕하세요, 저는 컬럼비아 대학교 의료 센터 신경과 TA 연구소의 Christian Halbeck입니다. 오늘은 신경 영상 데이터의 다변량 데이터 분석 사례를 보여드리겠습니다.본 실험실에서는 신경 영상 데이터로부터 알츠하이머병을 조기에 진단하는 최적의 방법을 연구하기 위해 이 절차를 사용합니다. 그럼 시작하겠습니다. 먼저 신경 영상 데이터의 다변량 분석에 대한 개념적 개요부터 살펴보겠습니다.다변량 접근 방식은 단변량 분석과 같이 복셀 단위로 진행하는 대신, 여러 뇌 영역 간의 활동 상관관계를 평가합니다. 예를 들어, 뇌에서 복셀로 표시된 단 3개의 영역만 측정된 50명의 피험자에 대한 단순한 가상 데이터셋을 상상해 볼 수 있습니다. 다변량 분석의 일반적인 목적은 데이터에서 분산의 주요 원인을 식별하고, 데이터 내에서 관심 있는 주요 효과를 기술하는 것입니다.이러한 변이의 원인 측면에서, 단변량 분석은 복셀 간의 상관관계에 주의를 기울이지 않습니다. 여기에 보이는 두 패널은 복셀 간에 상관관계가 있든 없든 단변량 분석에 의해 동일한 방식으로 처리될 것입니다. 본 영상에서는 95명의 초기 알츠하이머 환자(AD)와 102명의 건강한 대조군(H)의 FTG PET 휴지기 스캔이 포함된 임상 데이터셋을 사용하여 단변량 및 다변량 분석의 분석 절차를 시연합니다. 모든 뇌 영상 중에서 환자와 대조군 모두에서 각각 20장씩 무작위로 선택하여 유도 표본으로 사용하였습니다.나머지 각각 75회와 82회의 스캔은 재현 샘플을 구성합니다. 이제 이 데이터셋에 단변량 및 다변량 분석을 모두 적용하는 방법을 살펴보겠습니다. 단변량 접근 방식부터 시작하여, SPM 소프트웨어를 사용하여 단변량 알츠하이머병 마커를 구합니다. 유도 샘플의 AD 스캔 20회와 대조군 스캔 20회를 대조하기 위해, 대조군과 비교하여 AD 환자에게서 PET 신호의 감소가 가장 크게 나타나는 뇌 위치를 선택하십시오.T-검정을 사용하여 이 영역의 진단 효능을 테스트하고, 동일한 뇌 영역에 대한 반복 샘플의 데이터를 확인한 후, 질병 상태에 따른 PET 신호를 그래프로 나타냅니다. 다음으로, 다변량 마커를 얻습니다. 온라인에서 제공되는 맞춤형 MATLAB 툴박스를 사용하여 다변량 분석을 수행합니다.유도 표본의 결합된 40개 스캔에 대해 주성분 분석(principle components analysis) 또는 PCA를 수행하십시오. 그런 다음 80명의 환자와 건강한 대조군 사이에 평균 차이가 최대가 되는 피험자 점수를 보이는 상위 6개 주성분으로부터 Covance 패턴을 구축하십시오. 유도 표본에서 진단용 Covance 패턴을 얻으면 이를 재현 표본에 적용하고, 질환 상태에 따른 피험자 점수를 그래프로 그려 두 표본의 성능을 비교하십시오.단변량 및 다변량 접근 방식에 대한 보다 일반적인 비교를 위해, 분할 샘플 시뮬레이션을 수행하고 재표집된 데이터에 대해 이전 단계들을 1000회 반복합니다. 이때 매번 20명 대 20명의 유도 샘플과 80명의 환자 및 건강한 대조군으로 구성된 75명 대 82명의 검증 샘플을 새롭게 구성합니다. 분할 샘플 시뮬레이션은 유도 샘플에서 도출된 마커의 예측 오차를 검증 샘플에서 기록함으로써 해당 마커들을 쉽게 테스트할 수 있기 때문에 방법론적 연구에서 흔히 사용됩니다. 유도 샘플로부터 단변량 및 다변량 질환 마커를 계산하고, 최대 한 명의 건강한 대조군만이 AD로 오분류되도록 결정 임계값을 설정하며, 이는 95%의 특이도에 해당합니다. 마지막으로, 각 결정 임계값이 적용된 질환 마커를 검증 샘플에 적용하고, 모든 재표집 반복 횟수에 대해 검증 샘플의 분류 오차율을 기록합니다. 이제 단변량 및 다변량 분석 결과와 분할 샘플 시뮬레이션 모사 결과를 살펴보겠습니다.단변량 영역 분석 결과, 알츠하이머병 관련 FDG 결핍이 가장 크게 나타난 영역은 Precuneus Broadman area 31이었으며, ROC 곡선 아래 면적(AUC)은 0.90으로 산출되었습니다.이러한 대조의 복제 표본에 대한 일반화 성능은 ROC 곡선 아래 면적(AUC) 0.84로 상당히 양호했습니다. 다변량 분석 결과, 양의 부하를 보이는 영역은 소뇌에서 나타나 질환 상황에서도 신호가 상대적으로 보존됨을 시사했으며, 반면 신호 손실과 관련된 영역은 하측두엽, 전두엽 및 후대상회에서 발견되었습니다. 파생 표본과 복제 표본 모두에서 ROC 곡선 아래 면적은 각각 0.96과 0.88로, 단변량 마커보다 약간 더 높게 나타났습니다. 1,000회의 분할 표본 시뮬레이션에서 기록된 총 분류 오류율을 통해, 다변량 마커가 단변량 마커보다 진단 성능의 복제 가능성이 더 높다는 것을 알 수 있습니다. 지금까지 Ft.G PET 스캔의 알츠하이머 진단 문제에 다변량 분석을 적용하는 방법을 살펴보았습니다.모든 데이터는 Alzheimer's Disease Neuroimaging Initiative 웹사이트에서 공개적으로 이용 가능합니다. 실제 데이터로 이 절차를 수행할 때는, 사전에 일반적인 품질 관리 단계가 적용되었음을 기억하는 것이 중요합니다. 품질이 낮은 데이터로는 어떤 분석으로도 마법과 같은 결과를 낼 수 없습니다.이상입니다. 시청해 주셔서 감사하며, 분석에 좋은 결과가 있기를 바랍니다.

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

Research

연구

JoVE Journal

Neuroscience

신경과학

고전 복수 변수 패턴 분석 피사체가 해당 cortices (시각 피질의 활동의 예 시각적 자극)의 신경 활동의 인식 감각 자극을 예측합니다. 여기, 우리는 상호 modally 패턴 분석을 적용하고 표시 그 소리와 터치 뜻 시각적 자극이 것은 각각 청각과 somatosensory cortices의 활동에서 예측할 수 있습니다.

크로스 모달 변수 패턴 분석

우리는 자기 공명 영상 (MRI)를 사용하여 뇌 기능과 구조의 동시 분석을위한 새로운 접근 방식을 설명합니다. 우리는 고해상도 확산 - 가중 영상과 흰색 물질 섬유 tractography로 뇌 구조를 신고 할 수 있습니다. 표준 구조 MRI는 달리,이 기술은 우리가 직접 뇌 네트워크의 기능 속성에 해부학 적 연결을 연관 할 수 있습니다.

fMRI 및 확산 - 가중 영상을 사용하여 뇌의 구조와 기능의 공동 분석

주성분 분석 (PCA) 등의 다변량 기술은 기능적 뇌 영상에서 지역 변화의 서명 패턴을 식별하는 데 사용되었습니다. 우리는 퇴행성 신경 질환의 진단, 질병의 진행 평가, 환자 집단에서 치료 효과를 객관적으로 평가를 재현 네트워크 생체를 식별하는 알고리즘을 개발했습니다.

신경 영상 데이터를 사용하여 질병과 관련된 공간 공분산 패턴의 식별

정보 연결성은 서로 다른 뇌 영역에 걸친 다중 복셀 정보의 시간 경과 간의 대응을 측정합니다. 다중 복셀 패턴 판별 가능성 시계열은 지역에서 추출되고 비교되어 일반적인 기능적 연결 접근 방식에서 식별되지 않은 네트워크를 드러냅니다.

시간에 걸쳐 fMRI를 다 복셀 정보의 동시 출현을 측정하는 정보를 제공하는 연결을 사용하여

측두엽 간질에서 기본 모드 네트워크 (DMN) (TLE)의 종자 기반 기능 연결 MRI (fcMRI)를 사용하여 뇌의 휴식 상태로 분석된다.

측두엽 간질의 기능적 연결성 MRI를 사용하여 기본 모드 네트워크의 네트워크 분석

표준 뇌파 분석 기술은 신경계 기능에 대한 제한된 통찰력을 제공합니다. 피질 연결의 통계 모델을 도출하면 기본 네트워크 역학을 조사할 수 있는 훨씬 더 큰 기능을 제공합니다. 향상된 기능 평가는 신경계 질병에 있는 진단, 예후 및 결과 예측을 위한 새로운 가능성을 엽니다.

비침습적 뇌전도를 이용한 피질 연결의 통계적 모델링

이것은 대마초 유발 정신병 환자와 비 정신병 만성 대마초 사용자 사이의 회색 물질 볼륨 차이를 조사하는 것을 목표로하는 3T 자기 공명 이미징 연구입니다.

정신병유무에 관계없이 대마초 사용자의 뇌 형태 : 파일럿 MRI 연구

뇌에서 맥락총의 중요한 역할에도 불구하고 이 구조에 대한 신경 영상 연구는 신뢰할 수 있는 자동 분할 도구가 없기 때문에 부족합니다. 현재 프로토콜은 미래의 신경 영상 연구에 정보를 제공할 수 있는 맥락총의 황금 표준 수동 분할을 보장하는 것을 목표로 합니다.

뇌 MRI를 사용한 인간 맥락총의 수동 분할

우리는 기능적 자기 공명 영상(functional magnetic resonance imaging)을 사용하여 인지 감정 조절 작업, 즉 인지 재평가의 신경 상관관계를 탐색하기 위한 프로토콜을 소개합니다. 이 프로토콜은 강박 장애 및 건강한 대조군이 있는 환자에게 사용되었지만 다른 임상 샘플에도 사용할 수 있습니다.

작업 기반 기능적 자기 공명 영상(Task-based Functional Magnetic Resonance Imaging)을 사용하여 강박 장애에서 인지적 재평가의 신경 상관관계 탐색

기술은 광범위하게 microbubbles와 초음파를 사용하여 마우스의 혈액 - 뇌 장벽을 여는 대해 설명되어 있습니다. 이 기법을 사용하여, 망간은 마우스 뇌에 관리할 수 있습니다. 망간은 depolarized 뉴런에 축적 MRI 대비 에이전트이기 때문에, 이러한 방식의 연결 활동의 이미징을 가능하게합니다.

초음파 혈액 - 뇌 장벽 파괴 및 망간 향상된 MRI를 사용하여 기능성 Neuroimaging

학습하세요 FDG PET 신경영상 데이터에서 다변량 분석 기법을 활용하여 알츠하이머병 진단 정확도를 향상시키는 방법을. 주성분 분석과 선형판별분석을 적용하면 단변량 분석보다 우수한 진단 성능과 독립 데이터셋에 대한 일반화 능력을 확보할 수 있습니다.

데이터 Neuroimaging에서 복수 변수 분석의 기초

더 많은 동영상 탐색