Name: Basis van Multivariate Analyse in Neuroimaging gegevens (Video) | JoVE Journal
Uploaded: 2010-07-24T17:00:00.000+00:00
Duration: 6 min 35 s
Description: Leer multivariate analyse van neuroimaginggegevens voor de diagnose van Alzheimerziekte. Deze methode biedt betere diagnostische prestaties en generalisatie naar onafhankelijke datasets dan univariate analyse.

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

De auteur is dankbaar voor NIH subsidies: NIH / NIBIB 5R01EB006204-03 Multivariate benaderingen van neuroimaging-analyse NIH / NIA 5R01AG026114-02 Vroege AD Detection met ASL MRI &amp; covariantieanalyse ADNI: Imaging gegevens verstrekt door de ziekte van Alzheimer Neuroimaging Initiative (ADNI) (NIH U01AG024904). Het verzamelen van gegevens en het delen voor dit project werd gefinancierd door de ziekte van Alzheimer Neuroimaging Initiative (ADNI) (National Institutes of Health Grant U01 AG024904). ADNI wordt gefinancierd door het National Institute on Aging, het Nationaal Instituut voor Biomedical Imaging and Bioengineering, en door de gulle bijdragen van de volgende: Abbott, AstraZeneca AB, Bayer Schering Pharma AG, Bristol-Myers Squibb, Eisai Global Clinical Development, Elan Corporation, Genentech, GE Healthcare, GlaxoSmithKline, Innogenetics, Johnson en Johnson, Eli Lilly en Co, Medpace, Inc, Merck &amp; Co, Inc, Novartis AG, Pfizer Inc, F. Hoffmann-La Roche, Schering-Plough, Synarc , Inc, en Wyeth, evenals non-profit partners van de Alzheimer&#39;s Association en de ziekte van Alzheimer Drug Discovery Foundation, met deelname van de Amerikaanse Food and Drug Administration. Prive-sector bijdragen aan ADNI worden vergemakkelijkt door de Stichting voor de National Institutes of Health ( <a href="http://www.fnih.org">http://www.fnih.org</a> ). De gerechtigde organisatie is de Noord-Californische Instituut voor Onderzoek en Onderwijs, en de studie wordt gecoördineerd door de ziekte van Alzheimer coöperatieve Studeren aan de Universiteit van Californië, San Diego. ADNI gegevens worden verspreid door het Laboratorium voor Neuro Imaging aan de Universiteit van Californië, Los Angeles. Dit onderzoek werd ook gesteund door NIH subsidie ​​P30 AG010129, K01 AG030514, en de Dana Foundation.

<ol><li> Om een ​​conceptueel overzicht van multivariate analyse kunnen we foto een heel eenvoudige situatie: een hypothetische dataset voor de 50 menselijke deelnemers, waar slechts drie regio's, zoals voxels (= drie-dimensionale pixels in figuur 1) aangeduid in de hersenen gemeten. (Plaats Figuur 1 hier, lees bijschrift als voice over.) </li><li> De algemene doelstelling van multivariate analyse is om de belangrijkste bronnen van variantie te identificeren in de data, en vervolgens het beschrijven van de belangrijkste effecten van interesse in de gegevens in termen van deze bronnen van variantie. Figuur 2 toont een simplistisch voorbeeld. (Plaats Figuur 2 hier, lees bijschrift als voice over.) </li><li> We hebben nu van toepassing op zowel univariate en multivariate analyse om een ​​klinische gegevens in te stellen. We FDG-PET-scans rusten gedownload voor 95 vroeg de ziekte van Alzheimer patiënten en 102 leeftijd gematchte controles van de website van de ziekte van Alzheimer Neuroimaging Initiative (http://www.loni.ucla.edu/ADNI/). We willekeurig gekozen 20-scans van zowel patiënten en controles en aangewezen ze als afleiding onze steekproef. De resterende 75 en 82 scans, respectievelijk, vormen onze replicatie steekproef. Univariate en multivariate de ziekte van Alzheimer (AD) markers zal nu worden afgeleid in de afleiding monster, en hun diagnostische effectiviteit getest in de replicatie monster. </li><li> Voor de univariate marker, we het contrast van de 20 AD scans met de 20 controles scans in de afleiding monster en kies de hersenen plaats, dat de grootste daling in PET-signaal in het AD patiënten shows zoals aangetoond door een T-test. Voor het testen van de diagnostische werkzaamheid van deze regio, controleren we de gegevens in de replicatie monster op deze locatie en de plot zijn PET-signaal als functie van de ziekte status. </li><li> Voor de multivariate marker, hebben we eerst een PCA op de gecombineerde 40 scans in de afleiding monster, en stelt vervolgens een covariantie patroon van de eerste vijf Principal Components waarvan het onderwerp schaalfactor toont een maximale gemiddelde verschil tussen AD patiënten en gezonde controles. (Details zijn te vinden in deze representatieve papieren 2.) De diagnostische covariantie patroon verkregen vormen de afleiding monster wordt prospectief vervolgens toegepast op de replicatie monster. De resulterende onderwerp schaalfactoren worden uitgezet als functie van de ziekte status. </li><li> Om een ​​meer algemene vergelijking van beide univariate en multivariate aanpak uit stap 4 en 5, voeren we een 'split sample' simulatie en herhaal beide stappen 1.000 keer op geresampled data, elke keer dat de vorming van een 20/20 afleiding monster en een 75/82 replicatie van AD patiënten en gezonde controles opnieuw. Univariate en multivariate ziekte markers worden berekend op basis van de afleiding monster en de beslissing drempel is zodanig ingesteld dat bij de meeste een gezonde controle is ten onrechte aangezien voor AD (= specificiteit 95%). De ziekte markers met hun specifieke beslissing drempels worden vervolgens prospectief toegepast op de replicatie monsters. De classificatie fout tarieven in de replicatie steekproef zijn opgenomen voor alle resampling iteraties. </li></ol> Representatieve resultaten Univariate prestaties De resultaten zijn te zien in detail in figuur 3. De oppervlakte van de grootste AD-gerelateerde FDG tekort werd gevonden in de super temporale gyrus, Brodmann gebied 38. De oppervlakte onder de ROC-curve bereikte was de AUC = 0,90. De veralgemening van dit contrast met de replicatie monster was heel goed met een oppervlakte onder de ROC curve van de AUC = 0,84. Multivariate prestaties De resultaten zijn te zien in detail in figuur 4. Gebieden met positieve belastingen, zinspelen op een relatief behoud van het signaal in het gezicht van de ziekte werden gevonden in het cerebellum, terwijl de bijbehorende signaal verlies werd gevonden de parietotemporal en frontale gebieden, en de achterste cingulate gyrus. De gebieden onder ROC-curves, zowel in afleiding en replicatie monsters waren iets beter dan de univariate marker op 0,96 en 0,88 respectievelijk. Split-sample simulaties De resultaten zijn te zien in detail in figuur 5. De figuur laat zien dat de multivariate marker beter replicatie van diagnostische prestaties dan de univariate marker geeft. De gemiddelde totale foutenpercentage voor de multivariate marker is 0.203, terwijl voor de univariate marker is 0,307. <img src="/files/ftp_upload/1988/1988fig1.jpg" alt="Figuur 1" data-altupdatedat="1787634011000" data-alt="Figuur 1"> . Figuur 1 Deze eenvoudige figuur beschrijft het verschil tussen univariate en multivariate analytische strategieën: een hypothetische 3-dimensionale dataset wordt weergegeven in deze illustratie. Aan de linkerkant is er geen correlatie bestaat tussen de drie variabelen geplot. Aan de rechterkant daarentegen ziet men een belangrijke bron van variantie wijst op een positieve correlatie tussen alle drie de voxels. Een univariate analyse dat slechts beschouwd als gemiddelde waarden over een voxel-by-voxel basis kon niet zien geen verschil tussen deze twee scenario's. Multivariate analyse, in tegenstelling, identificeert de belangrijkste bronnen van Variance in de gegevens (rode pijl) alvorens over te gaan tot neurale activering patronen te construeren vormen deze bronnen. <img src="/files/ftp_upload/1988/1988fig2.jpg" alt="Figuur 2" data-altupdatedat="1787634011000" data-alt="Figuur 2"> Figuur 2. Deze slide toont in een vereenvoudigde vorm de basis uitvoering van elke multivariate analyse in neuroimaging data. De data-array Y (s, x), die afhankelijk is van een onderwerp index s, en een voxel-index x, waarop de locatie van de voxel in de hersenen, is ontleed in een som van meerdere termen. Eerste, een product van een zuiver subject-afhankelijke factor score, SSF (s), en een zuiver voxel-afhankelijke covariantie patroon, v (x). Ten tweede, activering, die niet kunnen worden verantwoord door de covariantie patroon wordt vastgelegd in een subject-en voxel-afhankelijke ruis termijn, e (s, x). De twee afbeeldingen hieronder de vergelijking een voorbeeld geven van het onderwerp schaalfactor en de covariantie patroon. Iedere deelnemer manifesteert de covariantie patroon, alleen maar om een ​​andere graad, zoals blijkt uit het onderwerp factor score. In plaats van bij te houden van het gedrag van elke voxel's afzonderlijk, de covariantie patroon en het onderwerp uitdrukking geven een spaarzame samenvatting van de belangrijkste bron van variantie. Als het onderwerp schaalfactor toename van de omvang, de gebieden aangeduid in het blauw in de covariantie patroon daling van de bijbehorende activering, terwijl de gebieden aangegeven in het rood gelijktijdig verhogen hun bijbehorende activeringssleutel. Het onderwerp factor score kan worden gecorreleerd met externe variabelen van belang, zoals onder leeftijd of gedrag prestaties in een cognitieve taak, en geen correctie voor meerdere vergelijkingen te worden toegepast op deze correlatie. Verschillende technieken voor een dergelijke ontleding bestaan, maar de meest voorkomende is een Principal Components Analysis (PCA). Dit is de techniek van de keuze voor ons. Merk op dat onderwerp schaalfactoren kunnen worden verkregen door het projecteren van de covariantie patroon in een dataset van gelijke dimensionaliteit, niet alleen de data set die de covariantie patroon in de eerste plaats geproduceerd. Dit maakt covariantie patronen geschikt voor het testen of de hersenen gedrag relaties die werden waargenomen in een data set kan worden gerepliceerd in een andere dataset. <img src="/files/ftp_upload/1988/1988fig3.jpg" alt="Figuur 3" data-altupdatedat="1787634011000" data-alt="Figuur 3"> Figuur 3. Deze afbeelding toont het resultaat van de univariate analyse. In de linker paneel, worden de FDG signaal waarden die zijn uitgezet voor het gebied dat de grootste AD-gerelateerde tekort in de afleiding voorbeeld toont. De MNI coördinaten zijn x = 2 mm, Y = -48 mm, Z = 30mm (precuneus / PCG, Brodmann Area 31). Het onderste rechter paneel toont de FDG-signaal op dit locatie in de replicatie monster. Men kan begrijpen dat de FDG verschillen tussen AD patiënten en controles in de replicatie monster, terwijl de nog steeds grote geheel, worden verminderd met meer overlap tussen de groepen. <img src="/files/ftp_upload/1988/1988fig4.jpg" alt="Figuur 4" data-altupdatedat="1787634011000" data-alt="Figuur 4"> Figuur 4. Deze figuur toont de resultaten van de multivariate analyse. In het bovenste paneel, we weer een aantal axiale plakken die aanzienlijk positief en negatief gewogen gebieden (p &lt;0,001) in de covariantie patroon in rood en blauw zien, respectievelijk. Merk op dat we elke scan geschaald door haar wereldwijde gemiddelde waarde, zo rood en blauw kleur geven aan liever relatieve en absolute stijgingen en dalingen van de PET-signaal met ernst van de ziekte. Rode gebieden dus wijzen op de relatieve behoud in het gezicht van de ziekte, terwijl blauw duidt op een verlies van het signaal als gevolg van de ziekte. Rode gebieden zijn vooral te vinden in de kleine hersenen, terwijl de blauwe gebieden verschijnen in de achterste cingulate gyrus, parietotemporal en frontale gebieden. Linksonder: het onderwerp factor scores van de AD-gerelateerde covariantie patronen worden weergegeven in de afleiding monster. Hogere scores zijn onderwerp gevonden voor de AD patiënten. Lagere rechter paneel: het onderwerp factor scores als gevolg van de prospectieve toepassing van de AD-gerelateerde covariantie patroon van de replicatie monster zijn hier uitgezet. Men kan waarderen een lichte verslechtering van de diagnostische contrast met meer overlap in de replicatie monster, maar de veralgemening van de diagnostische werkzaamheid is merkbaar beter dan in het univariate geval. <img src="/files/ftp_upload/1988/1988fig5.jpg" alt="Figuur 5" data-altupdatedat="1787634011000" data-alt="Figuur 5"> Figuur 5. Deze figuur toont de resultaten van de 1000 split-sample simulaties. Weergegeven zijn gemiddelden en standaarddeviaties van de univariate en multivariate diagnostische fouten in de replicatie monsters. Men kan begrijpen dat de multivariate marker de veralgemening van de prestaties aanzienlijk beter, hoewel iets meer variabel dan de univariate marker's.

<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>

We hopen te hebben gegeven de kijker een smaak van de basisprincipes van multivariate analyse, geïnteresseerde kijkers worden aangespoord om onze website. Een aantal keuzes voor de parameters in de multivariate analyse werden gemaakt die kunnen onderhevig debat aanzienlijke debat. We gespaard de bespreking van deze kwesties in dit artikel om afleiding te vermijden van de grote problemen. Eerst hebben we gekozen voor de eerste 6 Principal Components aan onze AD-gerelateerde covariantie patroon te construeren. Er zijn theoretische redenen voor deze keuze dat we niet 4 te bespreken. De specifieke keuze van 6 Principal Components is echter niet van essentieel belang voor onze argument: men kan kiezen in het variëren van 2 tot 20 PC&#39;s en nog steeds te verkrijgen superieure prestaties veralgemening van de multivariate marker in de split-sample simulaties. De resultaten zijn op dezelfde robuust met betrekking tot de keuze van de nummers van de onderwerpen in afleiding en replicatie monsters. We hebben gekozen voor 20 thema&#39;s voor beide groepen in de replicatie monster, maar dit was puur voor het gemak wiskundige te versnellen van de berekeningen. Onze resultaten over de relatieve voordelen van beide technieken eveneens zou houden als de nummers van de vakken in de afleiding monsters werden verhoogd. Ten tweede, wij alleen presenteerde de meest elementaire vorm van multivariate analyse. Aanzienlijke complicatie met technieken ontleend aan de Machine-Learning literatuur, lineaire en niet-lineaire transformaties voorafgaand aan de PCA, en diverse andere rimpels zijn haalbaar, dat kunnen de generalisatie prestaties te verhogen zelfs meer. Voor de eenvoud hebben we niet gehad over deze mogelijkheden in dit artikel.

basis van multivariate analyse in neuroimaging gegevens

Basics of Multivariate Analysis in Neuroimaging Data

Multivariate analyse technieken voor neuro-imaging data zijn onlangs meer aandacht gekregen omdat ze veel aantrekkelijke functies die niet gemakkelijk kan worden gerealiseerd door de meer algemeen gebruikte univariate, voxel-wijs, technieken<sup&gt; 1,5,6,7,8,9</sup&gt;. Multivariate aanpak evalueren correlatie / covariantie van activatie over hersengebieden, in plaats van een procedure betreffende de voxel-by-voxel basis. Zo kunnen hun resultaten gemakkelijker worden geïnterpreteerd als een handtekening van de neurale netwerken. Univariate benaderingen, aan de andere kant, kan niet rechtstreeks interregionale correlatie in de hersenen. Multivariate aanpak kan ook leiden tot een grotere statistische power in vergelijking met univariate technieken, die worden gedwongen om zeer strenge correcties voor voxel-wise meerdere vergelijkingen gebruiken. Verder, multivariate technieken lenen zich ook veel beter om prospectieve toepassing van de resultaten van de analyse van een dataset geheel nieuwe datasets. Multivariate technieken zijn dus goed geplaatst om gegevens over de gemiddelde verschillen en correlaties met het gedrag, vergelijkbaar met univariate benaderingen, met mogelijk een grotere statistische power en een betere reproduceerbaarheid controles te bieden. In tegenstelling tot deze voordelen is de hoge drempel van de toegang tot het gebruik van multivariate methoden, het voorkomen van bredere toepassing in de gemeenschap. Om de neurowetenschapper vertrouwd te maken met multivariate analyse technieken, kan een eerste inventarisatie van het veld vormen een verbijsterende verscheidenheid van benaderingen dat, hoewel algoritmisch soortgelijke, worden met verschillende accenten, meestal door mensen met wiskunde achtergronden. Wij zijn van mening dat de multivariate analyse technieken hebben voldoende potentie om een ​​betere verspreiding te rechtvaardigen. Onderzoekers moeten in staat zijn om hen in dienst in een geïnformeerde en toegankelijke manier. Het huidige artikel is een poging tot een didactische introductie van multivariate technieken voor de beginner. Een conceptueel inleiding wordt gevolgd door een zeer eenvoudige toepassing om een ​​diagnostische gegevens die aan de ziekte van Alzheimer s Neuroimaging Initiative (ADNI), een duidelijk bewijs van de superieure prestaties van de multivariate aanpak.

Het huidige artikel beschrijft de basis van multivariate analyse en contrasten aan de meer algemeen gebruikte voxel-wijs univariate analyse. Beide soorten analyses worden toegepast op een klinisch-neurowetenschap dataset. Aanvullende split-half simulaties laten zien beter replicatie van de multivariate resultaten in onafhankelijke datasets.

Basis van Multivariate Analyse in Neuroimaging gegevens

Multivariate analysetechnieken voor neuroimagingdata hebben onlangs een toenemende aandacht gekregen, omdat ze veel aantrekkelijke kenmerken hebben die niet kunnen worden ...

Deze video demonstreert en vergelijkt multivariabele en univariabele analysetechnieken voor neuroimaging-gegevens met toepassingen voor de diagnose van de ziekte van Alzheimer. Eerst wordt de hersenactiviteit van 20 patiënten in een vroeg stadium van Alzheimer afgezet tegen die van 20 op leeftijd gematchte gezonde controles voor de univariabele analyse. SPM wordt gebruikt om de hersenregio te identificeren die het grootste relatieve tekort in het FDG PET-signaal vertoont bij de Alzheimerpatiënten ten opzichte van de controlegroep.Voor de multivariabele analyse wordt hoofdcomponentanalyse met lineaire discriminante analyse gebruikt om de marker-resultaten af te leiden, welke aangeven dat de multivariabele marker een betere diagnostische prestatie levert dan de univariabele marker en een superieure generalisatie naar onafhankelijke gegevens biedt. Hallo, ik ben Christian Halbeck van het TA-instituut van de afdeling Neurologie aan het Columbia University Medical Center. Vandaag tonen we u een voorbeeld van multivariabele data-analyse van neuro-imaginggegevens.Wij gebruiken deze procedure in ons laboratorium om de optimale manier te bestuderen voor het detecteren van de vroege ziekte van Alzheimer aan de hand van neuro-imaginggegevens. Laten we beginnen. We starten met een conceptueel overzicht van de multivariate analyse van neuro-imaginggegevens.Multivariate benaderingen evalueren de correlatie van activiteit over verschillende hersengebieden, in plaats van voort te gaan op basis van voxel per voxel zoals bij univariaat onderzoek wordt gedaan. We kunnen ons bijvoorbeeld een eenvoudige hypothetische dataset voorstellen van 50 menselijke proefpersonen waarbij slechts drie regio's, aangeduid als voxels in de hersenen, zijn gemeten. Het algemene doel van multivariate analyse is om de belangrijkste bronnen van variantie in de data te identificeren en vervolgens de belangrijkste effecten van belang in de data te beschrijven.Wat betreft deze variantiebronnen houdt univariate analyse geen rekening met de correlatie tussen voxels. Beide hier getoonde panelen zouden op identieke wijze door univariate analyse worden behandeld, ongeacht of er sprake is van correlatie tussen de voxels. In deze video wordt de analyseprocedure voor zowel univariate als multivariate analyse gedemonstreerd op een klinische dataset met FTG PET-rustscans van 95 patiënten met vroege Alzheimerziekte (AD) en 102 gematchte gezonde controles (H). Van alle hersenbeelden werden er willekeurig 20 van zowel de patiënten als de controles gekozen om als afleidingssteekproef te dienen.De resterende 75 en 82 scans vormen respectivelijk de replicatiesample. Laten we nu bekijken hoe zowel univariate als multivariate analyses op deze dataset kunnen worden toegepast. Beginnelijk met de univariate benadering: bepaal de univariate marker voor de ziekte van Alzheimer met behulp van SPM-software. Selecteer, om de 20 AD-scans te contrasteren met de 20 controlescans in de derivatiesample, de hersenlocatie die de grootste afname in het PET-signaal vertoont bij de AD-patiënten vergeleken met de controles.Gebruik een T-test om de diagnostische effectiviteit van dit gebied te testen, controleer de gegevens in de replicatiesample voor hetzelfde hersengebied en plot het PET-signaal als functie van de ziektestatus. Verkrijg vervolgens de multivariabele marker. Voor de multivariabele analyse wordt een online beschikbare aangepaste MATLAB-toolbox gebruikt.Voer een hoofdcomponentanalyse uit, of PCA, op de gecombineerde 40 scans in de afleidingssteekproef. Stel vervolgens een Covance-patroon samen uit de eerste zes hoofdcomponenten waarvan de score per proefpersoon een maximaal gemiddeld verschil vertoont tussen 80 patiënten en gezonde controles. Zodra het diagnostische Covance-patroon uit de afleidingssteekproef is verkregen, wordt dit toegepast op de replicatiesteekproef; zet de resulterende scores per proefpersoon uit als functie van de ziektestatus en vergelijk de prestaties in de twee steekproeven.Om een algemenere vergelijking te maken tussen univariabele en multivariate benaderingen, voert u een split-sample simulatie uit en herhaalt u de voorgaande stappen 1000 keer op geresamplede gegevens, waarbij telkens opnieuw een afleidingssteekproef (derivation sample) van 20 op 20 en een replicatie van 75 op 82 van 80 patiënten en gezonde controles wordt gevormd. Split-sample simulaties zijn gebruikelijk in methodologisch onderzoek, omdat ze een eenvoudige test bieden van de markers die in de afleidingssteekproef zijn bepaald door hun voorspellingsfouten in de replicatiesteekproef vast te leggen; bereken univariabele en multivariate ziektestekproeven uit de afleidingssteekproef en stel de beslissingsdrempel zo in dat maximaal één gezonde controle onterecht als ad wordt geclassificeerd, wat overeenkomt met een specificiteit van 95%. Pas ten slotte de ziektestekproeven met hun specifieke beslissingsdrempels toe op de replicatiesteekproeven en leg de classificatiefoutpercentages in de replicatiesteekproef vast voor alle resample-iteraties. We zullen nu kijken naar de resultaten van de univariabele en multivariate analyses en de emulaties van de split-sample simulaties.Voor de analyse van het univ-gebied. Het gebied met het grootste AD-gerelateerde FDG-tekort werd aangetroffen in de precuneus, Broadman-gebied 31. De behaalde area under the curve was 0,90.De generalisatie van dit contrast naar de replicatiesample was vrij goed, met een area under the ROC curve van 0,84 voor de multivariate analyse. Gebieden met positieve loadings, wat wijst op een relatief behoud van het signaal ondanks de ziekte, werden gevonden in het cerebellum, terwijl geassocieerd signaalverlies werd gevonden in de parieto-temporale en frontale gebieden en de gyrus cinguli posterior. De area under ROC curves in zowel de derivatie- als de replicatiesamples waren iets beter dan die van de univariate marker, respectievelijk 0,96 en 0,88. Uit de totale classificatiefoutpercentages die werden geregistreerd in de 1000 split-sample simulaties, kunnen we vaststellen dat de multivariate marker een betere replicatie van de diagnostische prestaties geeft dan de univariate marker. We hebben zojuist gedemonstreerd hoe u multivariate analyse kunt toepassen op het diagnostische probleem van Alzheimer in Ft.G PET-scans.Alle gegevens zijn openbaar beschikbaar via de website van het Alzheimer's Disease Neuroimaging Initiative. Bij het uitvoeren van deze procedure op echte gegevens is het belangrijk om eraan te denken dat de gebruikelijke stappen voor kwaliteitscontrole vooraf zijn toegepast. Geen enkele analyse kan wonderen verrichten met gegevens van slechte kwaliteit.Dat was alles. Bedankt voor het kijken en veel succes met uw analyse.

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

Research

JoVE Journal

Neuroscience

Neurowetenschap

Klassieke multivariate analyse patroon voorspelt zintuiglijke prikkels een onderwerp waarneemt van de neurale activiteit in de overeenkomstige cortex (bijv. visuele prikkels van de activiteit in de visuele cortex). Hier passen we patroon analyse cross-modaal en laten zien dat geluid-en touch-impliceren visuele stimuli kan worden voorspeld op grond van activiteit in auditieve en somatosensorische cortex, respectievelijk.

Cross-Modale Multivariate Pattern Analysis

We beschrijven een nieuwe benadering voor gelijktijdige analyse van hersenfunctie en structuur met behulp van magnetische resonantie beeldvorming (MRI). Wij beoordelen de hersenen structuur met een hoge resolutie diffusie-gewogen beeldvorming en witte stof vezels tractografie. In tegenstelling tot de standaard structurele MRI, deze technieken stellen ons in staat anatomische connectiviteit rechtstreeks betrekking hebben op de functionele eigenschappen van de hersenen netwerken.

Co-analyse van hersenstructuur en functie met behulp van fMRI en Diffusie-gewogen beeldvorming

Multivariate technieken zoals principale componenten analyse (PCA) zijn gebruikt om handtekening patronen van regionale veranderingen te identificeren in de functionele hersenen afbeeldingen. We hebben een algoritme om reproduceerbare netwerk biomarkers te identificeren voor de diagnose van neurodegeneratieve aandoeningen, evaluatie van progressie van de ziekte, en de objectieve evaluatie van de effecten van de behandeling in patiëntenpopulaties ontwikkeld.

Identificatie van ziekte-gerelateerde Ruimtelijke Covariantie Patronen gemaakt Neuroimaging gegevens

Informationele connectiviteit meet de overeenstemming tussen tijdsverlopen van multi-voxel informatie tussen verschillende hersengebieden. Multi-voxel patroondiscriminerbaarheid tijdreeksen worden uit regio's geëxtraheerd en vergeleken, waardoor netwerken worden onthuld die niet worden geïdentificeerd in een typische functionele connectiviteitsbenadering.

Met behulp Informatieve Connectiviteit om de Synchrone opkomst van fMRI Multi-voxel Informatie Across Time Meet

De standaardmodus Network (DMN) in temporale kwab epilepsie (TLE) wordt geanalyseerd in de rusttoestand van de hersenen met behulp van zaad-gebaseerde functionele connectiviteit MRI (fcMRI).

Netwerk Analyse van de default-Functioneel Connectiviteit MRI in temporale kwab epilepsie

Standaard EEG analysetechnieken bieden beperkt inzicht in de functie van het zenuwstelsel. Het afleiden van statistische modellen van corticale connectiviteit biedt veel meer mogelijkheden om de onderliggende netwerk dynamiek te onderzoeken. Verbeterde functionele beoordeling opent nieuwe mogelijkheden voor diagnose, prognose en uitkomst voorspelling bij aandoeningen van het zenuwstelsel.

Statistische modellering van corticale connectiviteit met niet-invasieve Elektroencephalogrammen

Dit is een 3T magnetische resonantie beeldvormingsstudie gericht op het onderzoeken van grijze stof volumeverschillen tussen cannabis-geïnduceerde psychose patiënten en niet-psychotische chronische cannabis gebruikers.

Hersenmorfologie van cannabisgebruikers met of zonder psychose: een pilot MRI-studie

Ondanks de cruciale rol van de plexus choroideus in de hersenen, zijn neuroimaging-studies van deze structuur schaars vanwege het gebrek aan betrouwbare geautomatiseerde segmentatietools. Het huidige protocol heeft tot doel te zorgen voor een handmatige segmentatie van de plexus choroideus die toekomstige neuroimaging-onderzoeken kan informeren.

Handmatige segmentatie van de menselijke plexus choroideus met behulp van hersen-MRI

We introduceren een protocol voor het onderzoeken van de neurale correlaten van een cognitieve emotieregulatietaak, namelijk cognitieve herwaardering, met behulp van functionele magnetische resonantie beeldvorming. Dit protocol werd gebruikt bij patiënten met een obsessief-compulsieve stoornis en gezonde controles, maar kan ook worden gebruikt in andere klinische monsters.

Onderzoek naar de neurale correlaten van cognitieve herwaardering bij obsessief-compulsieve stoornis met behulp van taakgebaseerde functionele magnetische resonantiebeeldvorming

Wordt een techniek beschreven voor het in grote lijnen het openen van de bloed-hersen barrière in de muis met behulp van microbellen en ultrageluid. Met deze techniek kan mangaan worden toegediend aan de hersenen van muizen. Omdat mangaan is een MRI-contrastmiddel dat zich ophoopt in gedepolariseerd neuronen, deze aanpak maakt beeldvorming van neuronale activiteit.

Functionele neuroimaging Met behulp van ultrasone bloed-hersen barrière verstoring en mangaan-enhanced MRI

Leer multivariate analyse van neuroimaginggegevens voor de diagnose van Alzheimerziekte. Deze methode biedt betere diagnostische prestaties en generalisatie naar onafhankelijke datasets dan univariate analyse.

Basis van Multivariate Analyse in Neuroimaging gegevens

Meer video's verkennen