신경 영상 데이터를 사용하여 질병과 관련된 공간 공분산 패턴의 식별

이 절차의 전반적인 목표는 신경 기능 뇌 장애의 시그니처 Covance 패턴 이미징 바이오마커를 결정하는 것입니다. 이는 먼저 임상적으로 사전 진단된 환자 세트와 PET spect, A-S-L-F-M-R-I 또는 V-B-M-M-R-I와 같은 양식을 사용하여 연령 및 바람직하게는 성별이 일치하는 정상 대조군 세트의 단일 볼륨 뇌 스캔을 획득하여 수행됩니다. 두 번째 단계는 이미지를 공통 입위 템플릿으로 공간적으로 정규화하는 것입니다.

다음은 다변량 기법입니다. 주성분 분석 또는 S-S-M-P-C-A의 스케일링된 하위 프로파일 모델을 수행하고 출력 주성분 또는 PC와 해당 과목 점수를 조사합니다. 마지막 단계는 환자와 대조군을 구별하는 Covance 패턴을 정의하는 최상의 PC 또는 PC 조합을 결정하는 것입니다.

궁극적으로, 코밴스 패턴은 질병의 발현에 대한 개별 예비 피험자의 점수를 매기는 데 사용될 수 있습니다. 대중화된 단일 복셀 비교 기법 중 일부에 비해 이 방법의 장점은 뇌 네트워크의 활동을 식별하고 측정할 수 있다는 것입니다. 이것들은 뇌에 분포된 지역적 코밴스 패턴입니다.

가장 중요한 것은 뇌에서 주어진 네트워크의 활동을 측정하고 임상 조사의 주요 속성인 단일 숫자로 요약할 수 있다는 것입니다. 이 방법은 질병 진행의 초기 단계에서 유사한 증상을 보이는 다른 신경 질환에 대한 대사 네트워크를 식별하는 것과 같은 신경 과학 분야의 주요 질문에 답하는 데 도움이 될 수 있습니다. 이 기술의 의미는 파킨슨병과 같은 질병에 대한 감별 진단 및 치료 계획 모두로 확장되는데, 이는 단일 과목 점수를 얻을 수 있기 때문에 감별 진단 및 치료 계획에 적용할 수 있기 때문입니다.

이 방법은 파킨슨병 증후군에 대한 통찰력을 제공할 수 있습니다. 또한 사냥병과 알츠하이머병과 같은 다른 신경퇴행성 질환에도 적용할 수 있습니다. 일반적으로 이 방법을 처음 접하는 개인은 질병의 영향이 고립된 지역 클러스터에서 국지적으로 발생한다고 간주하는 선입견이 있는 univa 개념에 어려움을 겪을 것입니다.

제임스 몰러(James Moler) 박사는 AIDS 환자의 치매를 연구하기 위해 이 개념을 적용했을 때 이 방법에 대한 아이디어를 처음 떠올렸습니다. 이 방법을 시각적으로 보여주는 것은 네트워크 분석과 관련된 프로세스를 이해하는 데 중요합니다. 그러나 우리 프로그램 사용과 관련된 실제 단계는 고도로 자동화되어 있기 때문에 배우기가 어렵지 않습니다.양전자 방출 단층 촬영 또는 PET를 사용하여 뇌 대사를 연구하려면 먼저 약물 복용을 최소 12시간 동안 금식한 후 질병 그룹의 각 환자에게 18F 플루오로, 데옥시 포도당과 같은 방사성 핵종 추적자를 투여하고 각 정상 대조군에게 투여합니다.

추적자가 조직의 평형에 도달할 때까지 45분 동안 기다립니다. 그런 다음 패턴 파생을 위해 눈을 뜨고 휴식을 취하는 동안 각 개인을 스캔합니다. 스캔이 완료되면 동일한 수의 성별 및 H 일치 환자와 대조군을 스캔합니다.

이미지 데이터를 워크스테이션으로 전송하고 분석을 위해 적절한 형식으로 변환합니다. 여기에 사용된 Windows 기반 MATLAB 분석 소프트웨어는 이미지를 분석하기 위해 고급 형식에서 변환하거나 멋진 형식의 이미지를 필요로 합니다. 다음으로, SPM과 같은 표준 신경 영상 소프트웨어 패키지를 사용하여 각 피험자의 이미지를 공통 입체 공간으로 정규화하여 피험자 간에 복셀 값이 일대일로 대응하도록 합니다.

그런 다음 정규화된 이미지에 회백질 마스크를 적용하여 분석을 회백질 영역으로 제한합니다. 외부 마스크를 사용할 수 없는 경우 지정된 임계값보다 낮은 값을 제외하여 개별 피사체 마스크를 만듭니다. 각 피험자의 최대값의 백분율과 마스크를 곱하여 분석을 위한 복합 회백색 뇌 물질 복셀 공간을 정의합니다.

다변량 스케일링 SubProfile 모델 원리 성분 분석 또는 S-S-M-P-C-A를 수행하려면 Feinstein 신경과학 웹 사이트에서 제공되는 사내 루틴 스캔 VP를 사용하십시오. 통계 파라메트릭 매핑 도구 상자로도 사용할 수 있는 SSM PCA의 스캔 VP 메뉴에서 통계를 선택합니다. 그 다음은 SSM, 복셀 기반, PCA 순입니다.

그런 다음 메뉴에서 컨트롤 선택을 선택하고 이전에 정규화된 컨트롤 이미지를 선택합니다. 그런 다음 이미지 파일을 선택하여 정규화된 환자 이미지를 입력합니다. 적절한 마스크 또는 임계값을 선택하고 메뉴에서 다른 옵션을 확인합니다.

그런 다음 process를 누르고 실험 출력의 이름을 입력합니다. 디스플레이가 다른 소프트웨어의 해당 점수 파일에서 관심 있는 기본 구성 요소 이미지를 볼 때까지 기다립니다. 방금 설명한 자동화된 프로세스에 의해 실행되는 알고리즘을 에뮬레이트합니다.

이를 달성하기 위해, 전처리 단계에서 설명된 바와 같이, 사용 가능한 zero one 이미지 마스크를 사용하여 복셀 공간의 원치 않는 영역, 예를 들어 백질 및 심실을 제거하는 데이터 마스크를 사용합니다. 다음으로, 각 피험자의 데이터가 매트릭스의 특정 행에 해당하도록 그룹 데이터 매트릭스를 형성하는 연속적인 평면의 순차적 주사 라인을 추가하여 각 피험자의 3D 마스킹 이미지 참호 데이터를 하나의 연속 행 벡터로 변환합니다. 그런 다음 각 열은 주제 전반에 걸쳐 특정 복셀을 나타냅니다.

각 주제가 매트릭스에 로드되면 각 데이터 항목을 로그 형식으로 변환합니다. 그런 다음 행 요소에서 각 행 평균 또는 주제 평균을 빼서 데이터 행렬을 중심에 둡니다. 가운데에 위치한 모든 행의 평균은 특성 그룹, 평균 로그 이미지, 그룹 대 그룹, 평균 프로필 또는 GMP를 나타냅니다.

다음으로, 해당 행렬 열 요소에서 열 평균을 뺍니다. 이중 중심 행렬의 각 행은 피험자 잔류 프로파일 또는 SRP라고 하는 잔류 이미지를 나타내며, 그 요소는 피험자 S 및 복셀 V 그룹 모두로부터의 편차를 나타내며, 이는 여기에 표시된 방정식에 따라 발생함을 의미하며, 여기서 S-R-P-S-V는 피험자 S 및 복셀에 해당하는 SRP 매트릭스의 요소입니다. VDSV는 본래 데이터 값, 평균 S는 주체 평균값, GMPV는 복셀 V의 그룹 평균값이다.다음으로, 주체 잔차 프로파일 행렬의 각 행 쌍 사이의 정규화되지 않은 Covance를 계산하여 복합 이중 중심 SRP 데이터 행렬의 주체 Covance 행렬 C에 의해 주체를 구성한다.

CIJ가 대칭 Covance의 요소인 여기에 표시된 이 방정식을 사용하면 행렬 C 및 c, RRP IV 및 CRP JV는 모든 복셀에 대해 곱하고 합산되는 CRP 행렬 rose INJ의 해당 복셀 요소입니다. 그런 다음 주제별 주체에 주성분 분석을 적용하십시오: Covance 행렬 C.결과는 연관된 egen 값이 있는 주제 점수 egen 벡터의 집합이 됩니다. 다음으로, 각 벡터에 해당 egen 값의 제곱근을 곱하여 가중치를 부여합니다.

점수 고유 벡터의 집합은 여기에 표시된 행렬 S의 열로 표시됩니다. 다음으로, 점수 벡터 행렬에 주제 잔차 프로파일 행렬의 전치를 곱하여 동일한 egen 값 집합에 대한 복셀 egen 벡터를 결정합니다. 이것은 여기에 표시된 방정식에 따라 egen 값의 내림차순으로 복셀 패턴, egen 벡터의 배열 P를 생성하며, 여기서 P는 주성분 복셀 egen 벡터의 행렬입니다.

SRPT는 SRP 행렬의 전치이고 S는 점수 벡터 행렬이며 각 벡터를 주 구성 요소 이미지로 변환합니다. 각 주요 구성 요소 이미지는 설명된 총 분산의 백분율 또는 igon 값의 상대적 크기에 해당하는 VAF에 기인합니다. 주성분 분석의 결과를 검토하여 높은 계정 값과 연관된 패턴을 확인합니다.

복셀 패턴 벡터와 점수는 해당 값이 평균값에서 양수 및 음수 표준 편차를 나타내도록 Z로 변환됩니다. 다음으로, 연구 중인 질병과 관련된 지역적 편차를 식별하려고 시도합니다. 그런 다음 각 주성분 패턴에 해당하는 점수의 산점도를 검토합니다.

질병 특이적 패턴을 식별하기 위해 선택적인 수신기 작동 특성 플롯을 생성할 수도 있습니다. 해당 두 표본 T 테스트의 P 값과 곡선 아래 면적 값을 검사하여 환자와 대조군 간의 피험자 점수의 차이를 평가합니다. 다음으로, 벡터는 선택한 주요 구성 요소를 정규화하고 선형적으로 결합하여 단일 질병 관련 패턴을 생성합니다.

이를 위해 MATLAB 함수 GLM fit을 사용하여 피험자 점수에 적용되는 로지스틱 또는 기타 회귀 모델을 기반으로 계수를 결정합니다. 바이오마커 패턴이 확인되면 해당 개인의 스캔에서 예상 피험자의 점수 발현을 평가할 수 있으며, 이 작업은 메뉴에서 TPR에 의해 수행됩니다. 이를 수행하려면 주제의 SRP 벡터와 GIS 패턴 벡터의 내부 도트 벡터 곱을 간단히 계산하십시오.

마지막으로, 외부 소프트웨어를 사용한 부트스트랩 리샘플링과 독립적인 피험자 그룹의 순방향 검증을 통해 결과로 생성된 잠재적 패턴 바이오마커를 추가로 검증합니다. 순방향 검증은 TPR을 사용하여 잠재 코호트에 대한 점수를 결정함으로써 촉진됩니다. 여기에 표시된 것은 임상적으로 진단된 파킨슨병 환자 10명과 연령 및 성별이 일치하는 대조군 10명에 대한 SSM 분석의 처음 4개 주요 구성 요소 이미지의 출처를 통한 축 디스플레이입니다.

뜨거운 색상은 신진대사 활동의 상대적 증가를 나타냅니다. 이 원칙 내에서 전체 피험자 잔류 프로파일에 대한 구성 요소의 기여도는 반면 차가운 색상은 상대적인 대사 감소를 나타냅니다. 주성분 1은 가장 큰 분산 또는 VAF 값을 가졌고 가장 작은 P 값은 높은 유의성을 나타내며 단독으로 잠재적인 독립 바이오마커로 간주될 수 있는 유일한 성분입니다.

전체 패턴에 기여하는 유의미한 변동 영역은 직교 뷰로 표시될 때 분명합니다 MRI 구조 이미지 배경에서 주요 구성 요소의 조합을 사용하여 구성 요소 1과 4의 경우와 같이 중요성을 높이려고 시도할 수 있으며, 결합하면 P 값이 낮아져 더 높은 중요성을 암시합니다. 이 그래프는 주성분 1과 주성분 4의 파생 주제 Z 점수에 대한 독립적인 막대 그래프와 산점도를 보여줍니다. 첫 번째 원칙 요소는 환자와 대조군을 현저하게 구별한다.

네 번째는 추세를 보여줍니다. 주성분 1과 주성분 4의 선형 로지스틱 조합은 변별력을 향상시킵니다. 앞서 지적한 바와 같이, 결합된 패턴은 0.9의 Z-점수 임계값에서 완벽한 분리를 보여줍니다.

원칙 구성 요소 3을 결합하면 1과 4를 조합할 때 변별력이 약간 증가한 것으로 나타났으나, 4가지 주요 구성 요소 모두 원칙의 비차별 능력으로 인해 데이터 변별을 개선하지 못했다. 구성 요소. 둘째, 22명의 정상 대조군과 22명의 PD 환자에 대한 주요 구성 요소 1 및 4 주요 구성 요소 1, 3, 4 및 주요 구성 요소 1, 2, 3 및 4의 결합된 패턴에 대한 패턴의 전향적 점수 평가가 여기에 나와 있습니다. 곡선 아래 면적 값과 민감도는 두 개 이상의 결합된 주성분에 대해 감소하는 것으로 보입니다.

P 값은 덜 견고해지는 경향이 있지만, UC 및 P 값에서 PC 1 1 단독에 비해 PC 1 4에서 유의하지 않은 개선이 관찰되었습니다. 파생 샘플에서 예측된 유의미한 차이와는 대조적입니다. 질병을 앓고 있는 환자와 대조군의 스캔이 현실적이고 유효한 질병 패턴의 식별 및 검증이 필요한 경우, 이 알고리즘을 사용하는 것은 간단한 절차가 됩니다: 질병 패턴을 식별하고 검증한 후, 독립적인 임상 측정으로 환자 점수의 상관 관계 분석과 같은 다른 방법을 사용하여 추가 질문에 답할 수 있습니다.

예를 들어, 이미징 바이오마커가 질병의 운동 또는 인지적 징후를 반영하는지 또는 질병 패턴의 발현이 진단하기 어려운 임상 사례에서 유사한 증상을 나타내는 다른 상태를 구별하는 데 도움이 될 수 있는지 여부입니다. 이 절차는 FMRI 신호와 관련된 응답의 동적 변동 및 낮은 신호 대 잡음비로 인해 시계열 기능 MRI 데이터에 직접 적용할 수 없다는 것을 잊지 마십시오.