Name: 신경 영상 데이터를 사용하여 질병과 관련된 공간 공분산 패턴의 식별 (동영상) | JoVE Journal
Uploaded: 2013-06-26T13:00:00.000+00:00
Duration: 14 min 27 s
Description: 배우세요 다변량 PCA 기법을 사용하여 신경 퇴행성 질환의 영상 바이오마커를 식별하는 방법을. 이 알고리즘은 환자와 대조군을 구분하여 진단 정확도를 높이고 임상 적용 가능성을 검증합니다.

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

이 작품은 국립 신경 장애 연구소와 스트로크에서 DE 권한 부여 번호 P50NS071675 (의료 연구를위한 Feinstein의 연구소에서 파킨슨 병 연구의 우수성 모리스 K. 유달 센터)에 의해 지원되었다. 내용은 전적으로 저자의 책임이며 반드시 국립 신경 장애 연구소 뇌졸중이나 건강의 국립 연구소의 공식 견해를 대변하지 않습니다. 스폰서는 연구 설계, 수집, 분석 및 데이터의 해석에 중요한 역할을 보고서의 작성 또는 게시에 대한 논문을 제출하기로 결정 있지 않았다.

1. 데이터 수집 및 전처리 <ol><li> SSM / PCA 방법은 다양한 소스와 양식에서 얻은 단일 볼륨 이미지에 적용 할 수 있습니다. 특히, 신진 대사의 현장 PET 이미징 들어, [18 F]로 적합한 방사성 핵종 추적을 준비-fluorodeoxyglucose (FDG) 및 각 환자에 관리 할 수 있습니다. 환자는 일반적으로 약물 떨어져 적어도 12 시간의 빠른 다음, 열린 눈으로 나머지 스캔됩니다. </li><li> 개인 또는 그룹 평가를위한 각 과목을 검사합니다. 패턴 유도를 들어, 성별 및 나이 일치 한 환자와 컨트롤의 동일한 수를 검색합니다. </li><li> 워크 스테이션에 데이터를 전송하고 플랫폼 분석을 위해 적절한 형식으로 변환합니다. MATLAB 분석 소프트웨어 (scanvp, ssm_pca, 근거를 둔 우리의 윈도우 PC <a href="http://www.feinsteinneuroscience.org" target="_blank">www.feinsteinneuroscience.org는</a> ) ANALYZE 요구하거나 nifti 형식 이미지 (Mayo 진료소, 로체스터, MN). 그것은 변환 루틴 t을 제공합니다O 변환 GE 사전 (밀워키, WI, USA)은 스캐너와 다른 형식의 이미지 포맷을 분석 할 수 있습니다. </li><li> 일반적으로 정위 공간 (예 : 몬트리올 신경학 연구소 [MNI] () 통계적 매개 변수 매핑 (SPM)과 표준의 neuroimaging 소프트웨어 패키지를 사용하여 각 과목의 이미지를 정상화 <a href="http://www.fil.ion.ucl.ac.uk/spm" target="_blank">http://www.fil.ion.ucl.ac.uk/spm</a> ) 주제 (그림 2) 사이의 복셀 값의 일대일 대응이되도록. 회색 물질 영역 (그림 3) 및 로그 변환에 대한 분석을 제한하는 마스킹은 다음 단계에 설명되어 있습니다. </li></ol> 2. 다변량 SSM / PCA를 수행 변수 SSM / PCA (그림 4 참조)에 대한 작업은 외부 소프트웨어에 의해 수행 할 수 있습니다. 단계는 우리의 사내 루틴 (그림 5) (스캔에 의해 자동으로 대부분의 수행 절차를 반영 아래 세분화VP / ssmpca, <a href="http://www.feinsteinneuroscience.org" target="_blank">www.feinsteinneuroscience.org가</a> ) SPM 도구 상자 ssm_pca로도 사용할 수 있습니다. <ol><li> 같은 흰색 물질과 심실로 복셀 공간의 불필요한 부분을 제거하기 위해 사용할 수 0 / 1 이미지를 사용하여 마스크 데이터입니다. ssmpca 루틴을 사용하여, 사용자는 기본 또는 다른 외부 마스크 (그림 3)을 선택하거나 프로그램이 자동으로 각 과목의 데이터 최대의 선택된 고정 %보다 낮은 값을 제거하여 마스크를 생성하도록하는 옵션이 제공됩니다. 개별 주제 마스크는 다음 복합 마스크를 결정하기 위해 곱합니다. 마스크 내의 영역은 분석을 위해 일반적인 아닌 복셀 공간을 정의합니다. </li><li> 연속적인 평면에서 순차 스캔 라인 (그림 4A)를 추가하여 하나의 연속 행 벡터에 각 과목의 3D 마스크 이미지 복셀 데이터를 변환합니다. 각 주제의 데이터가 특정 R에 대응되도록 그룹 데이터 매트릭스 (D)를 형성행렬의 아야. 각 열은 다음 과목에 걸쳐 특정 복셀을 나타냅니다. 이상적으로, 바이오 마커 유도를 위해, 행렬은 정상적인 제어 대상 데이터 및 질병 대상 데이터의 행의 동일한 숫자로 구성됩니다. </li><li> 로그 형식으로 각 데이터 항목을 변환 할 수 있습니다. </li><li> 센터는 각 행의 평균 또는 주제를 빼서 데이터 행렬은 행 요소에서 의미합니다. 모든 중심 행의 평균은 특성 그룹이 로그 이미지 (GMP, 그림 4A) 그룹 평균 프로파일라고 의미 나타냅니다. 해당 행렬 열 요소의 GMP의 요소 열 방법을 뺍니다. 이중 중심 행렬의 각 행은 &#39;잔여&#39;이미지 제목 잔류 프로필 (SRP) 해당 요소가 모두 대상의와 복셀 V 그룹 수단 (그림 4b)의 편차를 나타내는라고 부른다 나타냅니다. SRP SV = logD SV - 의미의 - GMP V </li><li> 피사체를 구축각 과목 쌍의 전 사이의 비 표준화 된 공분산을 계산하여 복합 이중 중심의 데이터 행렬의 요법에 의하여 피사체 공분산 행렬 C는 SRP 행렬의 행 제이 (그림 4b) 모든 복셀 V에 합산 해당 복셀 요소 제품으로 평가 . C IJ = Σ V (SRP IV X SRP JV) </li><li> 주체 별 주제 공분산 행렬 C에 PCA를 적용합니다. 결과는 관련된 고유 값에 따라 점수 고유 벡터의 집합이 될 것입니다. 해당 고유 값의 제곱근을 곱하여 각 벡터에 가중치를. 점수 고유 벡터의 집합은 그림 4C의 결과 행렬 S의 열을 기준으로 표시됩니다. </li><li> 고유 값의 동일한 집합에 대한 복셀 고유 벡터를 계산 proced 요구 적은 열 공분산 행렬에 의해 열을 PCA를 적용하거나 이러한 대안에 의해 결정 될 수있다URE (그림 4C)에 묘사. 고유 값의 순서 (그림 4C, 그림 6, 그림 7A)를 내림차순으로 복셀 패턴 고유 벡터의 배열 P를 파생 전치 SRP 매트릭스 이전에 파생 점수 벡터 행렬을 곱 떠났다. P = SRP T X S 각 열 벡터는 고유 값의 상대적 크기에 해당하는 (VAF)를 차지하고 총 분산의 백분율에 의한 SSM / PCA 분석의 주요 구성 요소 (PC) 이미지 패턴을 나타냅니다. </li></ol> 3. 패턴 바이오 마커 유도 <ol><li> 높은 VAF 값과 연결된 PC의 패턴을 결정하기 위해 앞의 분석 결과를 확인합니다. 우리의 일상에서, 복셀 패턴 벡터는 그 값들이 평균값에서 긍정과 부정 표준 편차를 나타내는 있도록 Z-변환됩니다. 그들은 다음 (그림 7A) 표시되기 전에 이미지 형식으로 재편된다. </li><li&gt; 어떤 경우에는 질환과 관련된 알려진 지역 편차 패턴은 시각적으로 식별 할 수 있습니다. 수학 공식은 PC와 연관된 점수를 모두 물리적으로 정확한 해석을 준수 뺀 곱한 될 수있는 경우에 해당 솔루션과 같은 파생 PC를 긍정적이고 부정적인 형태를 고려합니다. </li><li> 각 PC 패턴에 해당하는 점수를 막대 그래프와 산포도 (그림 7)로 표시됩니다. 선택적 ROC 플롯 (그림 7D)를 생성 할 수 있습니다. 질병 특정 패턴을 확인하려면 해당 두 샘플 t-테스트 및 AUC 값의 P-값으로 반영 환자와 컨트롤 사이의 과목 점수의 분화를 확인할 수 있습니다. 일부 고정 컷오프 값 (예를 들어, p &lt;0.05 VAF&gt; 5 %)에 대한 높은 VAF 및 높은 차별화와 연관된 PC에 분석을 제한합니다. 일반적으로 하나 또는 두 개의 PC를 PET 데이터에 대한이 기준을 만족시킨다. </li><li> VARI이 있습니다44 간주 할 수있는 PC 선택을위한 OU를 다른 방법. 고유 값이 퇴화하기 시작 위치를 순차적으로 고유 값 (그림 6)의 애추 그래프는 곡선의 굴곡에 의해 표현 날카로운 컷오프 값과 곡선의 기울기의 급격한 감소를 제공 할 수 있습니다. 또 다른 방법은 분산의 상위 50 %를 차지하고있는 모든 PC를 포함하는 것입니다. 널리 인정 절차는 환자와 컨트롤을 구별 할 수있는 최소 AIC 값과 모델을 정의의 PC 조합을 결정하는 아카 이케 정보 기준 (AIC) 45를 계산하는 것입니다. </li><li> 선택한 PC (들) 벡터 정규화 및 선형 단일 질병 관련 패턴을 산출하기 위해 결합 될 수있다. 우리의 소프트웨어는 선택 과목 점수에 적용 물류 또는 다른 회귀 모델에 따라 계수를 결정하기 위해 MATLAB 함수 glmfit를 사용합니다. 환자와 대조군의 분화는 일반적으로 드에서 고려 추가 PC를 향상 있지만,rivation 그룹은 결과 패턴은 하나의 실제 네트워크에 대응하지 않거나 이상치 편차 (그림 7a 및도 77)를 포함 할 수있는 복합 표현입니다. </li><li> 또한 검증은 신뢰성과 미래의 의미가 필요합니다. 반복 패턴 유도의 최소 표준 편차와 연결된 원래 파생 데이터 집합 내에서 가장 신뢰할 수있는 복셀을 식별하는 8 아래에 설명 된대로 부트 스트랩 리샘플링을 수행 할 수 있습니다. 앞으로 검증 프로토콜의 다음 부분에 설명 된 단일 과목 점수 평가 방법 (그림 4D)를 사용하여 환자와 컨트롤의 잠재 그룹에 대한 점수를 파생하여 독립적 인 그룹 차별의 민감도와 특이도를 테스트하기 위해 수행됩니다. </li></ol> 4. 소정의 바이오 마커를 사용하여 단일 대상 유망 점수 평가 <ol><li> 중요한 SSM-GIS 바이오 마커 패턴 회발견되었습니다, 미래의 주제에 그 표현에 대한 점수는 피사체의 SRP 벡터 및 GIS 패턴 벡터 (그림 4D, 그림 7D)의 내부 벡터 제품의 간단한 계산을 사용하여 해당 개인의 검사에서 평가할 수 있습니다. SCORE = SRPS • 패턴 </li><li> 이전 작업은 우리 TPR 루틴에 의해 자동화됩니다. 그러나 독립적 주제 SRPS 벡터는 로그 변환 된 데이터에 관련된 고유 GIS 마스크를 사용하여 피사체 평균과 단계 2.4에서와 같이 prederived 참조 그룹 GMP의 해당 복셀 값을 모두 빼 파생한다. 이 점수가 일정 기준 범위에 비교할 수 있다는 보장한다. 새 그룹에 대한 점수는 비슷하게 예상 한 과목 점수의 집합으로 평가 될 수있다. 패턴이 변경되는 동안 다른 참조 그룹 또는 설정을 사용하기 위해 GMP 재 보정 할 수 있습니다. </li></ol>

박사 Eidelberg은 신경계 부전 환자 (금전적 이익 제외) 상영하는 영상 표식의 사용에 두 개의 미국 특허의 공동 발명자로 표시됩니다. 더 이상 공개는 없습니다.

SSM / PCA 모델은 원래 묄러 등으로 제시 하였다. 4 신경 영상 데이터의 분석을위한 간단하고 강력한 기술로 1-3 진화했다. 그러나 우리가 여기와 이전의 출판물 5-7,10에 명확히하려고 한이 방법론의 응용 프로그램에서 모호성이 있었다. 이러한 문제 중 일부는 텍스트에서 해결되었습니다 있지만, 때문에 그들의 중요성을 여기서 다시 한번 강조합니다. 소개에 설명 된대로, SSM / PCA는 상태 FDG PET 데이터를 쉬고 주로 효과적이지만, 다른 단일 볼륨 이미징 기술을 사용하여 H 2 15O PET와 99mTc-ECD SPECT 등의 플랫폼뿐만 아니라, 관류 ASL을 검색하고 성공했습니다 체적 VBM MRI. 시계열 rsfMRI에 성공적인 응용 프로그램은 48 크게 향상 기술의 미래 발전을 필요로한다. SSM의 주요 강도를 식별하는 능력...

퇴행성 신경 질환에 광범위하게 지역화 및 뇌 대사의 이상뿐만 아니라 지역의 상호 작용에게 17 연구 이외의 추론 방법을 정량화 기법을 이용하여 연구되어왔다. 이러한 주성분 분석 (PCA) 1,2,4,18 독립 성분 분석 (ICA) 19,20,뿐만 아니라 최소 부분 제곱 (PLS) 21 정규 서수 동향 등 감독 기술과 같은 데이터 중심의 다변량 분석 전략 variates 분석 (ORT / CVA) 22 특징 패턴이나 상호 활동의 &quot;네트워크&quot;를 공개 할 수 있습니다. 특히 다변량 절차 축소 subprofile 모델 (SSM)의 기초가 1,2,4-6,18 이전 조브 3에 설명되어있다. 이 PCA 기반의 접근 방식은 원래 뇌의 혈액 흐름과 신진 대사 ACQ의 정상 상태 단일 볼륨 이미지에서 뇌 영역 사이의 비정상적인 기능 공분산 관계를 조사하기 위해 개발되었습니다높은 신호 대 잡음 특성을 나타내는 등 PET 및 SPECT와 같은 양식의 휴식 상태에서 uired. 질병 특정 SSM 패턴은 정상인 7,16에 비해 단일 네트워크 프로세스 나 여러 가지 복잡한 비정상적인 기능 (23)의 동화를 반영하는 환자에서 지역의 지형 전반적인 차이를 반영 이미징 생체 있습니다. 대사 공분산 패턴 두뇌 네트워크는 정상과 질병의 그룹을 구별 질병의 심각도의 임상 적 평가와 연관 네트워크 기반 조치를 제공 할 수있는 표현식 값 (적용 점수)와 연결됩니다. 일반적으로 이러한 패턴에 따라 점수가 질병의 진행과 함께 증가에도 증상이 발병 14,24 전에 표현 될 수있다. 사실, 질병 관련 네트워크 생체는 파킨슨 병 10 (PD), 헌팅턴의 질병 25 (HD) 및 알츠하이머 병 8과 같은 신경 퇴행성 질환에 대한 특징되었습니다 </&gt; (AD)을 먹다. 중요한 질병 관련 대사 지형도는 또한 여러 시스템 위축 (MSA)와 진보적 인 핵상 마비 (PSP)와 같은 비정형 파킨슨 병 운동 장애에 대한 확인되었습니다. 이러한 패턴은 12,13,26 임상 적으로 유사한 &quot;비슷하게&quot;증후군과 개인의 감별 진단을 위해 콘서트에 사용되었습니다. 대조적으로, 일반적인 fMRI를 복셀 기반 변량 방법은 고립 된 두뇌 클러스터에있는 환자와 컨트롤 사이의 차이의 중요성을 평가합니다. 더 최근에, 방법은 다양하게 정의 뇌 영역 27 ~ 29 사이의 기능적 연결성을 측정하기 위해 개발되었습니다. 기능적 연결이 정의 제목과 지역 고유의 공간적 분포 두뇌 네트워크 지역 1,2,23,30의 단면 상호 참조하는 원래의 SSM / PCA 개념의 특정 상호 작용 이상자로 제한됩니다. 자신의 장점, MRI 플랫폼에다시 쉽게 설치, 널리 사용되는 비 침습적 일반적으로 최근의 문헌에서 설명하는 잠재적 인 방법의 급증의 결과로 이러한 PET 나 SPECT와 같은 전통적인 방사성 영상 방식보다 짧은 스캔 시간이 필요합니다. 그러나 결과 시간에 따른 fMRI를 신호는 지역의 신경 활동 31,32의 간접적 인 측정을 제공합니다. 고용 일반적으로 복잡한 분석 알고리즘은 데이터 집합의 큰 크기, fMRI를 신호 고유의 생리적 소음뿐만 아니라, 주제 및 지역 19,23 사이에 존재하는 뇌 활동의 높은 변동성에 의해 제한되었다. 뇌 조직에 관한 흥미로운 정보가 fMRI를 &#39;네트워크&#39;의 속성에서 유추 할 수 있지만, 그들은 믿을 수있는 질병 바이오 마커로 사용될 충분히 안정되지 않았습니다. 또한, 그 결과 네트워크 지형도는 SSM / PCA 설립 기능적 이미징 방법을 사용하여 식별 것과 반드시​​ 해당되지 않습니다. 일에 대한전자 대부분의 부분은, 결과 fMRI를 지형도의 교차 유효성 검사 엄격한 단일 사례에서 미래의 스캔 데이터에서 파생 된 패턴을 성공적으로 전달 응용 프로그램의 몇 가지 예에 부족했습니다. PCA 공분산 분석의 장점은 처음 몇 주 구성 요소의 데이터 변화의 가장 중요한 소스를 식별하는 능력에 달려 있지만, 눈에 띄는 고유 벡터가 아닌 실제 고유의 네트워크 응답보다 랜덤 노이즈 요소를 나타내는 경우는 효과가있다. 첫 번째 몇 가지 고유 벡터를 선택하고 환자를 대 정상 대조군의 점수에 큰 차이를 표시하는 사람들에게 제한함으로써, 우리는 매우 잡음 요소의 영향을 줄일 수 있습니다. 그러나 여기에 설명 된 기본 접근 방식, 이러한 조치는 아래에 설명 된 양식을 제외하고 일반적인 fMRI를 데이터 집합의 강력한 추정량을 생성하기에 충분하지 않을 수 있습니다. 따라서, 지역 G의 안정 직접적인 관계 때문에lucose 대사와 시냅스 활동 33,이 방법은 휴식 상태 FDG PET 데이터의 분석에 주로 적용되었습니다. 그러나 사용 된 대뇌 혈류 (CBF) 밀접하게 휴식 상태 10,11,34, SPECT 35,36 그리고 더 최근의 동맥 스핀 라벨링 (ASL) MRI 관류 영상 방법 37,38의 신진 대사 활동에 결합되어 주어진 각각의 경우에 비정상적인 신진 대사 활동을 평가한다. 즉, 휴식 상태 fMRI를 (rsfMRI) 안심 공간 공분산 패턴의 유도는 앞에서 31,32 간단하지 지적이다 말했다. 그럼에도 불구하고, PD 환자와 대조군에서 rsfMRI 데이터의 예비 SSM / PCA 분석은 질병 관련 패턴 사이에 어떤 지형 동성이 BOLD fMRI를 39,40의 두 가지 양식, 애완 동물과 낮은 주파수 변동의 진폭 (ALFF)를 사용하여 식별 밝혔다 . 마지막으로, 우리는 또한이 방법은 복셀 기반 모토에서 성공적으로 적용되었는지주의연령과 관련된 볼륨 손실과 같은 과목 43 VBM과 ASL 패턴의 추가 비교에 관련된 독특한 공간 공분산 패턴을 공개 metry (VBM) 구조 MRI 데이터 41,42. 다른 분석 방법 및 이미징 플랫폼을 사용하여 SSM / PCA 공간 공분산 지형 및 확인 유사한 뇌 네트워크 사이의 관계는 지속적인 조사의 주제입니다.

<table><tbody><tr><td colspan="4">Image Acquisition </td></tr><tr><td>PET 스캐너</td><td>GE Medical Systems</td><td>GE Advance</td><td>GE, Siemens 및 Philips PC 워크스테이션의 모든 PET, PET/CT 및 PET/MRI 스캐너 </td></tr><tr><td></td><td>Lenovo</td><td>Any</td><td><a href="http://www.lenovo.com/us/en/" target="_blank">http://www.lenovo.com/us/en/</a><</td></tr><tr>td colspan="4"> Radiopharmaceuticals </td></tr><tr><td>[18F]-fluorodeoxyglucose</td><td>Feinstein Institute for Medical Research</td><td>Routine Production</td><td>Cardinal Health에서 배포하기도 함 <a href="http://www.cardinal.com/" target="_blank">http://www.cardinal.com/</a> </td></tr><tr><td colspan="4">Software </td></tr><tr><td>ScanVP</td><td>Feinstein Institute for Medical Research</td><td>버전 5.9.1, 버전 6.2, 출시 예정</td><td><a href="http://www.feinsteinneuroscience.org/" target="_blank">www.feinsteinneuroscience.org</a></td></tr><tr><td>SPM</td><td>UCL 신경학 연구소</td><td>spm99-spm8</td><td><a href="http://www.fil.ion.ucl.ac.uk/spm" target="_blank">http://www.fil.ion.ucl.ac.uk/spm</a></td></tr><tr><td>Windows</td><td>Microsoft</td><td>Any</td><td></td></tr><tr><td>Matlab</td><td>Mathworks</td><td>Matlab 버전 7.0, 7.3</td><td><a href="http://www.mathworks.com/" target="_blank">http://www.mathworks.com/</a></td></tr><tr><td>JMP</td><td>SAS</td><td>버전 5</td><td><a href="http://www.jmp.com/" target="_blank">http://www.jmp.com/</a></td></tr></tbody></table>

신경 영상 데이터를 사용하여 질병과 관련된 공간 공분산 패턴의 식별

Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data

스케일 subprofile 모델 (SSM) 1-4 작은 구성 요소 (그림 1)을 거부하면서 환자와 대조군의 뇌 영상 데이터에 변화의 주요 소스를 식별하는 변수 PCA 기반의 알고리즘입니다. 정상 상태 multimodality 이미지 복셀 별 복셀 공분산 데이터에 직접 적용, 그룹 이미지 전체 세트는 몇 가지 중요한 선형 독립적 인 공분산 패턴과 해당 과목 점수를 줄일 수 있습니다. 각 패턴은 그룹 불변 subprofile (GIS)는, 기능적으로 상호 뇌 영역의 공간적 분산 네트워크를 나타내는 직교 주요 구성 요소입니다라고합니다. 작은 네트워크 별 기여를 가릴 수있는 대형 글로벌 평균 스칼라 효과는 고유의 로그 변환에 의해 제거하고 데이터 2,5,6의 중심 의미합니다. 주제 독립적 clin와 연관 할 수있는 간단한 스칼라 점수로 표시되는 변수도 이러한 패턴을 각각 표현iCal의 또는 심리 설명 7,8. 주제 점수 (즉, 패턴 표현식 값)의 로지스틱 회귀 분석을 사용하여 선형 계수는 건강한 대조군 5,6에서 환자의 향상 차별 하나의 질병 관련 공간 공분산 패턴, 즉 복합 네트워크에 여러 개의 주요 구성 요소를 결합하는 파생 될 수 있습니다. 파생 세트 내에서 교차 유효성 검사는 부트 스트랩 리샘플링 기술에게 9를 사용하여 수행 할 수 있습니다. 앞으로 검증은 쉽게 10 예비 데이터 집합에서 파생 패턴의 직접적인 점수 평가에 의해 확인된다. 정품 확인이 완료되면, 질병 관련 패턴은 사용 된 건강한 주제의 자주 세트 (질병 그룹) 원래 패턴 유도 11, 고정 된 기준 샘플에 대해 개별적인 환자를 ​​득점하는 데 사용할 수 있습니다. 이러한 표준화 된 값을 차례로 감별 진단 12,13을 지원하고 질병을 평가하는 데 사용할 수 있습니다네트워크 수준 7,14-16의 진행과 치료에 효과. 우리는 질병의 특성 공분산 패턴 바이오 마커를 유도하기 위해 사내 소프트웨어를 사용하여 파킨슨 병 환자와 정상 대조군의 FDG PET 데이터에이 방법론의 적용 예를 제시한다.

변수 SSM / PCA 분석의 간단한 응용 프로그램이 PD에 대한 신경 영상 바이오 마커 패턴을 도출하려면 아래 설명되어 있습니다. 10 세의 PET FDG 이미지는 임상 변수 병에 걸린 기간의 PD 환자 (6M/4F, 59y ± 7Y SD) (9Y ± 5 년 SD) 진단에서 10 나이와 성별은 정상 대조군과 일치 (6M/4F, 58y ± 7Y SD)를 사용하여 분석 하였다 우리 ssmpca 루틴. 스물 해당 공간적 사전 정규화 된 영상은 처음에 기본 마스크 (그림 3)와 함께 카테고리 질병 과목 또는 컨트롤에서 선택되었다. 이 프로그램의 출력은 처음 16 주 구성 요소 이미지 파일 및 연속 고유치 (그림 6)의 애추 줄거리와 함께 연관된 점수의 파일 목록. 순차 PC 이미지와 관련 바, 분산 그래프는 그림의 7A와 7B에 묘사 된대로 초기 검토를 화면에 표시 하였다. 최초의 PC 구성 요소가 차지합니다큰 VAF (24 ...

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.

The scaled subprofile model (SSM)1-4 is a multivariate PCA-based algorithm that identifies major sources of variation in patient and control group brain ...

본 절차의 전반적인 목표는 신경 기능적 뇌 질환의 특징적인 Covance 패턴 영상 바이오마커를 결정하는 것입니다. 이는 먼저 PET spect, A-S-L-F-M-R-I 또는 V-B-M-M-R-I와 같은 양상을 사용하여, 임상적으로 사전 진단된 환자군과 연령 및 가급적 성별이 일치하는 정상 대조군 세트의 단일 볼륨 뇌 스캔 영상을 획득함으로써 수행됩니다. 두 번째 단계는 이러한 영상들을 공통 입체정위 템플릿에 맞춰 공간적으로 정규화하는 것입니다.다음으로 다변량 분석 기법을 사용합니다. 주성분 분석의 Scaled SubProfile 모델(S-S-M-P-C-A)을 수행하고, 출력된 주성분(PC)과 그에 해당하는 피험자 점수를 검토합니다. 마지막 단계는 환자군과 대조군을 구분하는 Covance 패턴을 정의하는 최적의 PC 또는 PC 조합을 결정하는 것입니다.최종적으로, Covance 패턴은 개별 대상자의 질환 발현 정도를 점수화하는 데 사용될 수 있습니다. 일부 대중화된 단일 복셀 비교 기술과 비교했을 때 이 방법의 장점은 뇌 네트워크의 활성을 식별하고 측정할 수 있다는 점입니다. 이러한 네트워크는 뇌의 분산된 지역적 Covance 패턴으로 나타납니다.가장 중요한 점은, 이 방법을 통해 뇌 내 특정 네트워크의 활성도를 측정하고 이를 임상 연구의 주요 속성인 단일 수치로 요약할 수 있다는 것입니다. 이 방법은 질병 진행 초기 단계에서 유사한 증상을 보이는 서로 다른 신경계 질환의 대사 네트워크를 식별하는 것과 같이, 신경과학 분야의 핵심 질문에 답하는 데 도움이 될 수 있습니다. 단일 피험자 점수를 얻을 수 있어 이를 감별 진단 및 치료 계획에 적용할 수 있기 때문에, 이 기술의 활용 범위는 파킨슨병과 같은 질환의 감별 진단과 치료 계획 수립 모두로 확장됩니다.이 방법은 파킨슨 증후군에 대한 통찰을 제공할 수 있을 뿐만 아니라, 헌팅턴병 및 알츠하이머병과 같은 다른 신경퇴행성 질환에도 적용될 수 있습니다. 일반적으로 이 방법을 처음 접하는 사람들은 질환의 영향이 고립된 국소 영역 클러스터에 국한되어 있다고 생각하는 기존의 관념으로 인해 어려움을 겪을 수 있습니다.James Moler 박사는 AIDS 환자의 치매를 연구하기 위해 이 개념을 적용했을 때 이 방법의 아이디어를 처음 얻었습니다. 네트워크 분석에 포함된 과정들을 이해하기 위해서는 이 방법의 시각적 시연이 중요합니다. 하지만 당사의 프로그램 사용에 포함된 실제 단계들은 고도로 자동화되어 있어 배우기 어렵지 않습니다. 양전자 방출 단층촬영 또는 PET를 사용하여 뇌 대사를 연구하려면, 먼저 최소 12시간의 금식과 약물 중단 후 질병군 및 정상 대조군의 각 환자에게 18 F fluoro, deoxy glucose와 같은 방사성 핵종 추적자를 투여하십시오.추적자가 조직 내에서 평형 상태에 도달할 때까지 45분 동안 기다립니다. 그 후, 패턴 도출을 위해 피험자가 눈을 뜬 채 휴식하는 상태에서 각각 스캔합니다. 스캔이 완료되면 성별과 H가 일치하는 환자군과 대조군을 동일한 수로 스캔합니다.이미지 데이터를 워크스테이션으로 전송하고 분석에 적합한 형식으로 변환합니다. 본 과정에서 사용된 Windows 기반의 MATLAB 분석 소프트웨어는 이미지를 분석하기 위해 ge advanced 형식에서 nifty 형식으로의 변환이 필요합니다. 다음으로, SPM과 같은 표준 신경영상 소프트웨어 패키지를 사용하여 각 피험자의 이미지를 공통 입체정위 공간으로 정규화함으로써, 피험자 간의 복셀 값 사이에 일대일 대응 관계가 형성되도록 합니다.그 다음, 분석 영역을 회색질 영역으로 제한하기 위해 정규화된 이미지에 회색질 마스크를 적용합니다. 외부 마스크를 사용할 수 없는 경우, 지정된 임계값보다 낮은 값을 제외하여 개별 피험자 마스크를 생성합니다. 각 피험자 최대값의 백분율을 적용하고 마스크들을 곱하여 분석을 위한 합성 회색질 뇌 복셀 공간을 정의합니다.다변량 척도 SubProfile 모델 주성분 분석(S-S-M-P-C-A)을 수행하려면 Feinstein 신경과학 웹사이트에서 제공되는 자체 루틴인 scan VP를 사용하십시오. 또한 통계적 파라미터 매핑(statistical parametric mapping) 툴박스로도 제공되는데, scan VP 메뉴에서 statistics를 선택한 다음, SSM, voxel based, 그리고 PCA를 차례로 선택하십시오.다음으로, 메뉴에서 select controls를 선택하고 이전에 정규화한 대조군 이미지를 선택합니다. 그런 다음 image files를 선택하여 정규화된 환자 이미지를 입력합니다. 적절한 mask 또는 threshold를 선택하고 메뉴의 다른 옵션들을 확인합니다.다음으로 process를 누르고 실험 결과물에 대한 이름을 입력하십시오. 다른 소프트웨어용 해당 스코어 파일에서 관심 있는 주성분 이미지들이 표시될 때까지 기다리십시오. 방금 설명한 자동화 프로세스에 의해 실행된 알고리즘을 모방하십시오.전처리 단계에서 설명한 바와 같이, 사용 가능한 0과 1로 이루어진 이미지 마스크를 사용하여 백질 및 뇌실과 같이 복셀 공간에서 불필요한 영역을 제거함으로써 첫 번째 마스크 데이터를 완성합니다. 다음으로, 각 피험자의 3D 마스크 이미지 복셀 데이터를 연속된 평면의 순차적 스캔 라인을 덧붙여 하나의 연속적인 행 벡터로 변환하여 그룹 데이터 행렬을 형성하며, 이를 통해 각 피험자의 데이터가 행렬의 특정 행에 대응하도록 합니다. 그러면 각 열은 피험자 전반에 걸친 특정 복셀을 나타내게 됩니다.각 피험자가 행렬에 로드되면, 각 데이터 항목을 로그 형태로 변환하십시오. 그런 다음 각 행의 평균 또는 피험자 평균을 행 요소에서 빼서 데이터 행렬을 중심화하십시오. 중심화된 모든 행의 평균은 그룹 특성 평균 로그 이미지, 그룹 평균 프로파일 또는 GMP를 나타냅니다.다음으로, 각 행렬 열 요소에서 해당 열의 평균값을 뺍니다. 이중 중심화된 행렬의 각 행은 피험자 잔차 프로필(subject residual profile, SRP)이라고 불리는 잔차 영상을 나타내며, 그 요소들은 피험자 S와 복셀 V의 그룹 평균 모두로부터의 편차를 나타냅니다. 이는 여기에 표시된 방정식에 따라 수행되며, 여기서 $\text{SRP}_{SV}$는 피험자 S와 복셀 V에 해당하는 SRP 행렬의 요소입니다. $\text{D}_{SV}$는 원래의 데이터 값, $\text{mean}_S$는 피험자 평균값, $\text{GMP}_V$는 복셀 V의 그룹 평균값입니다. 다음으로, 피험자 잔차 프로필 행렬의 각 행 쌍 사이의 비정규화된 공분산을 계산하여, 합성 이중 중심화 SRP 데이터 행렬의 피험자 간 공분산 행렬 C를 구성합니다.여기 표시된 식을 사용하며, 여기서 CIJ는 대칭 공분산 행렬 C의 원소이고, c, RRP IV 및 CRP JV는 CRP 행렬의 해당 복셀 원소인 rose INJ로서, 이들이 곱해져 모든 복셀에 대해 합산됩니다. 그런 다음 피험자별 공분산 행렬 C에 주성분 분석을 적용합니다. 그 결과로 관련 고유값과 함께 일련의 피험자 점수 고유벡터가 도출됩니다. 다음으로 각 벡터에 해당 고유값의 제곱근을 곱하여 가중치를 부여합니다.스코어 고유 벡터 세트는 여기에 표시된 행렬 S의 열로 나타납니다. 다음으로, 스코어 벡터 행렬에 피험자 잔차 프로필 행렬의 전치 행렬을 곱하여 동일한 고유값 세트에 대한 복셀 고유 벡터를 결정합니다. 이를 통해 여기에 표시된 식에 따라 고유값의 내림차순으로 정렬된 복셀 패턴 고유 벡터 배열 P가 생성되며, 여기서 P는 주성분 복셀 고유 벡터 행렬입니다.SRPT는 SRP 행렬의 전치 행렬이고 S는 점수 벡터 행렬입니다. 각 벡터를 주성분 이미지로 변환하십시오. 각 주성분 이미지는 고유값의 상대적 크기에 해당하는 총 분산 설명률(VAF, variance accounted for)의 백분율이 할당됩니다. 주성분 분석 결과를 검토하여 높은 설명률 값과 연관된 패턴을 결정하십시오.복셀 패턴 벡터와 점수를 Z-변환하여 그 값이 평균값으로부터의 양수 및 음수 표준편차를 나타내도록 합니다. 다음으로, 연구 대상 질환과 관련된 지역적 편차를 식별합니다. 그런 다음 각 주성분 패턴에 해당하는 점수의 산점도를 분석합니다.질병 특이적 패턴을 식별하기 위해 선택적으로 수신자 조작 특성(ROC) 곡선을 생성할 수 있습니다. 이에 해당하는 두 표본 T-검정의 P 값과 곡선 아래 면적(AUC) 값을 검토하여 환자군과 대조군 간의 피험자 점수 차이를 평가하십시오. 다음으로, 선택된 주성분들을 벡터 정규화하고 선형 결합하여 단일한 질병 관련 패턴을 도출하십시오.이를 달성하기 위해, 피험자 점수에 적용되는 로지스틱 또는 기타 회귀 모델을 기반으로 계수를 결정하는 MATLAB 함수인 GLM fit이 사용됩니다. 바이오마커 패턴이 식별되면, 해당 개인의 스캔 데이터를 통해 전향적 피험자의 점수 발현을 평가할 수 있으며, 이 작업은 메뉴의 TPR에 의해 수행됩니다. 이를 수행하려면 피험자의 SRP 벡터와 GIS 패턴 벡터의 내부 내적(dot vector product)을 이용한 간단한 계산을 사용하십시오.마지막으로, 외부 소프트웨어를 이용한 부트스트랩 재표본 추출과 독립적인 피험자 그룹의 전향적 검증을 통해 결과로 도출된 잠재적 패턴 바이오마커를 추가로 검증합니다. 전향적 검증은 TPR을 사용하여 전향적 코호트의 점수를 결정함으로써 용이하게 이루어집니다. 여기에는 임상적으로 진단된 10명의 파킨슨병 환자와 연령 및 성별이 일치하는 10명의 대조군을 대상으로 한 SSM 분석의 처음 4개 주성분 이미지의 원점을 지나는 축 방향 디스플레이가 표시되어 있습니다.따뜻한 색상은 대사 활동의 상대적 증가를 나타냅니다. 이러한 원리에 따라, 구성 요소가 전체 피험자의 잔류 프로필에 기여하는 정도를 보여주며, 차가운 색상은 상대적인 대사 감소를 나타냅니다. 제1 주성분은 가장 큰 분산 설명률(VAF) 값과 가장 작은 P 값을 가져 높은 유의성을 나타내며, 단독으로 잠재적인 독립 바이오마커로 고려될 수 있는 유일한 성분입니다.직교 뷰로 표시했을 때 전체 패턴에 기여하는 유의미한 변이 영역들이 뚜렷하게 나타납니다. MRI 구조 영상 배경 위에 주성분들의 조합을 사용하여 유의성을 높이려 시도할 수 있는데, 예를 들어 제1성분과 제4성분을 조합했을 때 P 값이 낮아져 유의성이 더 높아짐을 시사하는 경우가 이에 해당합니다. 이 그래프들은 유도된 피험자 Z 점수의 제1주성분과 제4주성분만을 나타내는 독립적인 막대 그래프와 산점도입니다. 제1주성분은 환자군과 대조군을 유의미하게 구분합니다.네 번째 성분은 경향성을 보여주는 반면, 제1주성분과 제4주성분의 선형 로지스틱 결합은 판별력을 향상시킵니다. 앞서 언급한 바와 같이, 결합된 패턴은 Z-score 임계값 0.9에서 완벽한 분리를 나타냅니다.주성분 3을 결합했을 때 주성분 1과 4를 결합했을 때보다 판별력이 약간 증가한 것으로 나타났으나, 주성분 2의 판별 능력이 없기 때문에 4개 주성분 모두를 사용한 경우에는 데이터 판별력이 향상되지 않았습니다. 여기에는 정상 대조군 22명과 PD 환자 22명에 대한 주성분 1의 패턴, 주성분 1과 4의 결합 패턴, 주성분 1, 3, 4의 결합 패턴, 그리고 주성분 1, 2, 3, 4의 결합 패턴에 대한 예측 점수 평가가 나타나 있습니다. 세 개 이상의 주성분을 결합할수록 곡선 하 면적(AUC) 값과 민감도가 감소하는 것으로 보입니다.P 값이 덜 견고해지는 경향이 있는 반면, UC 및 P 값에서 PC 1/4은 PC 1 단독 사용에 비해 유의미하지 않은 개선을 보였습니다. 이는 유도 표본에서 예측된 유의미한 차이와는 대조적입니다. 질환 환자와 대조군의 스캔 데이터가 확보되면, 이 알고리즘을 사용하여 현실적이고 유효한 질환 패턴을 식별하고 검증하는 과정은 간단한 절차가 됩니다. 질환 패턴이 식별되고 검증된 후에는, 환자 점수와 독립적인 임상 측정값 간의 상관관계 분석과 같은 다른 방법들을 사용하여 추가적인 질문에 대한 답을 구할 수 있습니다.예를 들어, 영상 바이오마커가 질병의 운동적 혹은 인지적 증상을 반영하는지, 또는 질병 패턴의 발현이 진단이 어려운 임상 사례에서 유사한 증상을 보이는 서로 다른 상태들을 구분하는 데 도움이 될 수 있는지 등을 확인하는 것입니다. 이 절차는 fMRI 신호와 관련된 반응의 역동적인 변동과 낮은 신호 대 잡음비로 인해 시계열 기능적 MRI 데이터에 직접 적용할 수 없다는 점에 유의하십시오.

identification-disease-related-spatial-covariance-patterns-using

Research

연구

JoVE Journal

Medicine

의학

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

우리는 자기 공명 영상 (MRI)에 의해 캡처 해부학 적 정보와 결합 마그네토와 electroencephalography (멕 / EEG)은, 청각주의와 관련된 대뇌 피질의 네트워크의 역학을 매핑 사용합니다.

동시 멕 / EEG와 해부학적인 몸의 구조 제약 최소 - 표준 견적을 사용하여 매핑 두피 역학 : 청각주의 예

이 동영상은 대상 작업 / 프로세스에 관여인지 제어 네트워크의 기능적 연결성에 나이와 관련된 변화를 검사하는 방법을 제시한다. 기법의 fMRI 데이터의 다변량 분석에 기초한다.

치수 변경 카드 정렬 성능인지 제어 네트워크 관련의 기능 연결에서 연령 관련 차이점을 조사하는 방법

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

Resting-state functional-connectivity MRI는 피질 발달의 기형으로 인한 간질을 포함한 광범위한 신경 정신 질환을 가진 환자의 이상을 확인했습니다. EEG와 함께 경두개 자기 자극법은 간질 환자가 비정상적인 연결성을 가진 영역에서 피질 과흥분성을 가지고 있음을 입증할 수 있습니다.

간질 환자의 뇌 흥분을 연결 관련 평가하는 멀티 모달 Imaging- 및 자극 기반 방법

우리 후부 대상 피 질과 Alzheimer의 질병 (광고) 환자, 가벼운 인지 장애 (MCI)와 건강 한 컨트롤 환자에서 뇌 간의 지시 기능 연결에서 변경 조사 휴식 상태 기능 자기 공명 영상 그레인저 인과 분석을 바탕으로.

알 츠 하이 머 질환과 경미한 인지 장애에 감독된 기능 연결의 그 랜 저 인과관계 분석의 응용 프로그램

여기에 제공된 개방형 이미지 처리 파이프라인은 병변 증상 매핑을 위한 실용적인 자습서입니다. CT/MRI의 수동 경색 세분화부터 표준 공간에 대한 후속 등록에 이르기까지 각 처리 단계에 대해 실용적인 권장 사항 및 예시사례가 있는 그림에 대한 단계별 연습이 제공됩니다.

병변 증상 매핑을 위한 MRI 또는 CT에 대한 뇌 경색 세분화 및 등록

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

자연주의 학습 환경에서 협업 학습 dyads에 대한 fNIRS 하이퍼스캐닝 실험을 수행하기 위한 프로토콜이 설명되어 있습니다. 또한, 산소헤모글로빈(Oxy-Hb) 신호의 뇌 간 싱크로니(IBS)를 분석하는 파이프라인이 제시된다.

개방형 협업 학습의 뇌 간 싱크로니: fNIRS 하이퍼스캐닝 연구

이 논문은 인간 두뇌의 공간 탐색을 위한 기능적 네트워크를 조사하기 위한 통합적 접근 방식을 제시합니다. 이 접근 방식은 대규모 신경 영상 메타 분석 데이터베이스, 휴지 상태 기능적 자기 공명 영상, 네트워크 모델링 및 그래프 이론 기술을 통합합니다.

인간 뇌의 공간 탐색을 위한 기능적 네트워크 모델링

웨이블릿 변환 일관성(WTC)은 기능적 근적외선 분광법(fNIRS) 하이퍼스캐닝 연구에 사용되는 신호 간의 결합을 평가하는 일반적인 방법론입니다. 이 작업에서는 신호 상호 작용의 방향성을 평가하기 위한 도구 상자를 제공합니다.

기능적 근적외선 분광법(fNIRS) 하이퍼스캐닝 연구에서 교차 뇌 일관성을 이해하기 위한 새로운 프레임워크

배우세요 다변량 PCA 기법을 사용하여 신경 퇴행성 질환의 영상 바이오마커를 식별하는 방법을. 이 알고리즘은 환자와 대조군을 구분하여 진단 정확도를 높이고 임상 적용 가능성을 검증합니다.

신경 영상 데이터를 사용하여 질병과 관련된 공간 공분산 패턴의 식별

더 많은 동영상 탐색