Method Article

Identyfikacja wzorców kowariancji przestrzennej związanych z chorobą przy użyciu danych neuroobrazowych

DOI:

10.3791/50319

⸱

June 26th, 2013

 ,  ,  ,  ,  ,  , 
1Center for Neurosciences, The Feinstein Institute for Medical Research

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Techniki wielowymiarowe, w tym analiza głównych składowych (PCA), zostały wykorzystane do identyfikacji wzorców sygnatur zmian regionalnych w funkcjonalnych obrazach mózgu. Opracowaliśmy algorytm identyfikacji powtarzalnych biomarkerów sieciowych do diagnostyki chorób neurodegeneracyjnych, oceny progresji choroby oraz obiektywnej oceny efektów leczenia w populacjach pacjentów.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Skalowany model podprofilu (SSM)1-4 to wielowymiarowy algorytm oparty na PCA, który identyfikuje główne źródła zmienności w danych obrazu mózgu pacjenta i grupy kontrolnej, odrzucając mniejsze komponenty (Rysunek 1). Stosując bezpośrednio do danych kowariancji woksel po wokselu obrazów multimodalności w stanie ustalonym, cały zestaw obrazów grupowych można zredukować do kilku znaczących, liniowo niezależnych wzorców kowariancji i odpowiadających im wyników podmiotu. Każdy wzorzec, określany jako grupowy niezmienniczy podprofil (GIS), jest ortogonalnym głównym komponentem, który reprezentuje przestrzennie rozmieszczoną sieć funkcjonalnie powiązanych ze sobą regionów mózgu. Duże globalne średnie efekty skalarne, które mogą przesłaniać mniejsze wkłady specyficzne dla sieci, są usuwane przez nieodłączną konwersję logarytmiczną i średnie wyśrodkowanie danych2,5,6. Badani wyrażają każdy z tych wzorców w zmiennym stopniu reprezentowanym przez prosty wynik skalarny, który może korelować z niezależnymi deskryptorami klinicznymi lub psychometrycznymi7,8. Korzystając z analizy regresji logistycznej wyników badanych (tj. wartości ekspresji wzorca), można wyprowadzić współczynniki liniowe w celu połączenia wielu głównych komponentów w pojedyncze wzorce kowariancji przestrzennej związane z chorobą, tj. sieci złożone z lepszą dyskryminacją pacjentów od zdrowych osób z grupy kontrolnej5,6. Walidacja krzyżowa w zbiorze derywacyjnym może być wykonywana przy użyciu technik ponownego próbkowania bootstrap9. Walidację do przodu można łatwo potwierdzić poprzez bezpośrednią ocenę wyników uzyskanych wzorców w prospektywnych zestawach danych10. Po walidacji, wzorce związane z chorobą mogą być wykorzystane do oceny poszczególnych pacjentów w odniesieniu do ustalonej próbki referencyjnej, często zestawu zdrowych osób, który został użyty (z grupą chorobową) w pierwotnym wyprowadzeniu wzorca11. Te standaryzowane wartości mogą być z kolei wykorzystane do pomocy w diagnostyce różnicowej12,13 oraz do oceny progresji choroby i efektów leczenia na poziomie sieci7,14-16. Przedstawiamy przykład zastosowania tej metodologii do danych FDG PET pacjentów z chorobą Parkinsona i normalnych osób z grupy kontrolnej przy użyciu naszego wewnętrznego oprogramowania w celu uzyskania charakterystycznego biomarkera choroby o wzorcu kowariancji.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Zaburzenia neurodegeneracyjne były intensywnie badane przy użyciu technik lokalizujących i kwantyfikujących nieprawidłowości metabolizmu mózgu, jak również metod nieinferencyjnych, które badają interakcje regionalne17. Wielowymiarowe strategie analityczne oparte na danych, takie jak analiza głównych składowych (PCA)1,2,4,18 i analiza składowych niezależnych (ICA)19,20, a także techniki nadzorowane, takie jak częściowa analiza najmniejszych kwadratów (PLS)21 i analiza trendów porządkowych kanonicznych (OrT/CVA)22, mogą ujawnić charakterystyczne wzorce lub "sieci" wzajemnie powiązanych działań. Podstawy procedur wielowymiarowych, w szczególności skalowany model podprofilu (SSM)1,2,4-6,18 zostały wcześniej opisane w JoVE3. To podejście oparte na PCA zostało pierwotnie opracowane w celu zbadania nieprawidłowych funkcjonalnych relacji kowariancji między regionami mózgu w obrazach pojedynczej objętości przepływu krwi i metabolizmu w stanie ustalonym uzyskanych w stanie spoczynku modalności takich jak PET i SPECT, które wykazują wysoką charakterystykę sygnału do szumu. Wzorce SSM specyficzne dla choroby to biomarkery obrazowania, które odzwierciedlają ogólne różnice w topografii regionalnej u pacjentów w porównaniu z osobami zdrowymi7,16 i mogą odzwierciedlać pojedynczy proces sieciowy lub asymilację kilku złożonych nieprawidłowych funkcji23. Sieci mózgowe wzorca kowariancji metabolicznej są powiązane z wartościami ekspresji (wynikami podmiotu), które mogą rozróżniać grupy normalne i chore oraz zapewniają miary oparte na sieci, które korelują z klinicznymi ocenami ciężkości choroby. Zazwyczaj wyniki pacjentów dla takich wzorców rosną wraz z postępem choroby i mogą być nawet wyrażone przed wystąpieniem objawów14,24. Rzeczywiście, biomarkery sieciowe związane z chorobą zostały scharakteryzowane dla zaburzeń neurodegeneracyjnych, takich jak choroba Parkinsona10 (PD), choroba Huntingtona25 (HD) i choroba Alzheimera8 (AD). Co ważne, zidentyfikowano również topografie metaboliczne związane z chorobą dla nietypowych zaburzeń ruchowych parkinsona, takich jak zanik wieloukładowy (MSA) i postępujące porażenie nadjądrowe (PSP). Wzorce te zostały wykorzystane wspólnie do diagnostyki różnicowej osób z klinicznie podobnymi zespołami "sobowtóra"12,13,26.

W przeciwieństwie do tego, typowe metody jednowymiarowe oparte na wokselach fMRI oceniają znaczenie różnic między pacjentami a grupą kontrolną w izolowanych skupiskach mózgowych. Niedawno opracowano metody pomiaru funkcjonalnej łączności między różnie zdefiniowanymi regionami mózgu27-29. Ta definicja łączności funkcjonalnej jest ograniczona do interakcji specyficznych dla tematu i regionu i odbiega od oryginalnej koncepcji SSM/PCA, która odnosi się do przekrojowych połączeń wewnętrznych, przestrzennie rozmieszczonych regionów sieci mózgowej1,2,23,30. Na ich korzyść przemawia fakt, że platformy MRI są łatwe w instalacji, powszechnie dostępne, nieinwazyjne i zazwyczaj wymagają krótszego czasu skanowania niż tradycyjne metody obrazowania radioznacznikowego, takie jak PET lub SPECT, co skutkuje wzrostem potencjalnych metodologii opisanych w najnowszej literaturze. Jednak uzyskane zależne od czasu sygnały fMRI dostarczają pośrednich pomiarów lokalnej aktywności neuronalnej31,32. Ogólnie złożone algorytmy analityczne zostały ograniczone przez duży rozmiar zestawów danych, szum fizjologiczny nieodłącznie związany z sygnałami fMRI, a także dużą zmienność aktywności mózgu, która występuje między osobami i regionami19,23. Chociaż interesujące informacje dotyczące organizacji mózgu można wywnioskować z właściwości "sieci" fMRI, nie są one wystarczająco stabilne, aby można je było wykorzystać jako wiarygodne biomarkery choroby. Co więcej, powstałe w ten sposób topografie sieci niekoniecznie są równoważne z tymi, które zostały zidentyfikowane przy użyciu uznanych metodologii obrazowania funkcjonalnego, takich jak SSM/PCA. W większości przypadków brakowało rygorystycznej walidacji krzyżowej powstałych topografii fMRI, z kilkoma przykładami udanego zastosowania wzorców pochodnych w prospektywnych danych skanowych z pojedynczych przypadków.

Zaletą analizy kowariancji PCA jest jej zdolność do identyfikowania najważniejszych źródeł zmienności danych w pierwszych kilku głównych składnikach, ale jest nieskuteczna, jeśli dominujące wektory własne reprezentują losowe czynniki szumu, a nie rzeczywistą wewnętrzną odpowiedź sieci. Wybierając tylko kilka pierwszych wektorów własnych i ograniczając się do tych, które wykazują znaczące różnice w wynikach kontroli pacjenta w porównaniu z normalnymi, znacznie zmniejszamy wpływ elementów szumu. Jednak w przypadku opisanego tutaj podstawowego podejścia miary te mogą nie być wystarczające do wygenerowania solidnych estymatorów w typowym zestawie danych fMRI, z wyjątkiem modalności opisanych poniżej.

Tak więc, ze względu na stabilny bezpośredni związek regionalnego metabolizmu glukozy i aktywności synaptycznej33, ta metodologia została zastosowana przede wszystkim do analizy danych FDG PET w stanie spoczynku. Jednak biorąc pod uwagę, że mózgowy przepływ krwi (CBF) jest ściśle związany z aktywnością metaboliczną w stanie spoczynku10,11,34, do oceny nieprawidłowej aktywności metabolicznej w indywidualnych przypadkach zastosowano metody obrazowania perfuzji MRI z wykorzystaniem SPECT35,36, a ostatnio metody obrazowania perfuzji MRI z etykietowaniem spinu tętniczego (ASL)37,38. To powiedziawszy, wyprowadzenie wiarygodnych wzorców kowariancji przestrzennej z fMRI w stanie spoczynku (rsfMRI) jest, jak wcześniej wspomniano, nieproste 31,32. Mimo to wstępna analiza SSM/PCA danych rsfMRI od pacjentów z chorobą Parkinsona i osób z grupy kontrolnej ujawniła pewne topograficzne homologie między wzorcami związanymi z chorobą zidentyfikowanymi przy użyciu dwóch modalności, PET i amplitudy fluktuacji o niskiej częstotliwości (ALFF) BOLD fMRI39,40. Wreszcie, zauważamy również, że podejście to zostało z powodzeniem zastosowane w danych strukturalnego MRI morfometrii opartej na wokselach (VBM)41,42, ujawniając charakterystyczne wzorce kowariancji przestrzennej związane z utratą objętości związaną z wiekiem oraz w dalszych porównaniach wzorców VBM i ASL u tych samych osób43. Związek między topografiami kowariancji przestrzennej SSM/PCA a analogicznymi sieciami mózgowymi zidentyfikowanymi przy użyciu różnych podejść analitycznych i platform obrazowania jest przedmiotem trwających badań.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Gromadzenie danych i wstępne przetwarzanie

  1. Metoda SSM/PCA może być stosowana do obrazów jednoobjętościowych uzyskanych z różnych źródeł i modalności. W szczególności w przypadku obrazowania metabolizmu metodą PET na miejscu należy przygotować odpowiedni znacznik radionuklidów, taki jak [18F]-fluorodeoksyglukoza (FDG) i podać go każdemu pacjentowi. Pacjenci są zwykle skanowani w spoczynku z otwartymi oczami, po poście trwającym co najmniej 12 godzin, bez leków.
  2. Zeskanuj każdy obiekt w celu oceny indywidualnej lub grupowej. Aby uzyskać wzorzec, zeskanuj równą liczbę pacjentów i osób z grupy kontrolnej dopasowanych pod względem płci i wieku.
  3. Przenieś dane do stacji roboczej i przekonwertuj je do odpowiedniego formatu do analizy na swojej platformie. Nasze oprogramowanie do analizy MATLAB oparte na komputerze z systemem Windows (scanvp, ssm_pca, www.feinsteinneuroscience.org) wymaga obrazów w formacie ANALYZE lub nifti (Mayo Clinic, Rochester, MN). Zapewnia procedurę konwersji w celu przekształcenia skanera GE Advance (Milwaukee, WI, USA) i obrazów w innym formacie do formatu ANALYZE.
  4. Znormalizuj obraz każdego pacjenta do wspólnej przestrzeni stereotaktycznej (np. Montreal Neurological Institute [MNI]) za pomocą standardowego pakietu oprogramowania do neuroobrazowania, takiego jak statystyczne mapowanie parametryczne (SPM) (http://www.fil.ion.ucl.ac.uk/spm), tak aby istniała zgodność wartości wokseli jeden do jednego między osobami (Rysunek 2). Maskowanie w celu ograniczenia analizy do obszarów istoty szarej (rysunek 3) i transformacja logarytmu są opisane w kolejnych krokach.

2. Wykonaj wielowymiarowy SSM/PCA

Operacje dla wielowymiarowego SSM/PCA (Rysunek 4) mogą być wykonywane przez zewnętrzne oprogramowanie. Kroki wyszczególnione poniżej odzwierciedlają procedury wykonywane w większości automatycznie przez nasze wewnętrzne procedury (Rysunek 5) (scanvp/ssmpca, www.feinsteinneuroscience.org dostępne również jako ssm_pca narzędzi SPM).

  1. Zamaskuj dane za pomocą dostępnego obrazu 0/1, aby usunąć niechciane obszary przestrzeni wokseli, takie jak istota biała i komory. Korzystając z procedury ssmpca, użytkownik ma możliwość wybrania maski domyślnej lub innej maski zewnętrznej (Rysunek 3) lub automatycznego utworzenia maski przez program przez usunięcie wartości niższych niż wybrany stały procent maksymalnej ilości danych każdego podmiotu. Poszczególne maski obiektu są następnie mnożone w celu określenia maski kompozytowej. Obszary wewnątrz maski definiują wspólną niezerową przestrzeń wokselową dla analizy.
  2. Przekształć zamaskowane dane woksela obrazu 3D każdej osoby na jeden ciągły wektor wierszowy, dołączając sekwencyjne linie skanowania z kolejnych płaszczyzn (Rysunek 4a). Utwórz grupową macierz danych (D) tak, aby dane każdego podmiotu odpowiadały określonemu wierszowi macierzy. Każda kolumna reprezentuje następnie określony woksel na różne tematy. Idealnie, w przypadku wyprowadzenia biomarkerów, matryca będzie składała się z równej liczby wierszy normalnych danych kontrolnych i danych pacjenta z chorobą.
  3. Przekształć każdy wpis danych do postaci logarytmicznej.
  4. Wyśrodkowanie macierzy danych przez odjęcie średniej wiersza lub średniej tematu od elementów wiersza. Średnia ze wszystkich wyśrodkowanych wierszy reprezentuje charakterystyczny obraz logarytmu średniej grupy określany jako profil średniej grupy (GMP, rysunek 4a). Odejmij kolumnę oznacza, że są elementami GMP od odpowiednich elementów kolumny macierzy. Każdy wiersz podwójnie wyśrodkowanej macierzy reprezentuje "resztkowy" obraz określany jako profil resztkowy obiektu (SRP), którego elementy reprezentują odchylenia zarówno od średniej grupy obiektu, jak i woksela v (Rysunek 4b).
    SRPsv = logDsv - średnias - GMPv
  5. Skonstruuj macierz kowariancji C dla poszczególnych obiektów złożonej podwójnie wyśrodkowanej macierzy danych, obliczając nieznormalizowaną kowariancję między każdą parą podmiotu i, j wierszy macierzy SRP obliczoną jako iloczyn odpowiednich elementów wokseli zsumowanych przez wszystkie woksele v (Rysunek 4b).
    Cij =∑v (SRPiv x SRPjv)
  6. Zastosuj PCA do macierzy kowariancji C dla poszczególnych obiektów. Wyniki będą zbiorem wektorów własnych punktacji przedmiotu z powiązanymi wartościami własnymi. Zważ każdy wektor, mnożąc przez pierwiastek kwadratowy odpowiadającej mu wartości własnej. Zbiór wektorów własnych punktacji jest reprezentowany przez kolumny wynikowej macierzy S na rysunku 4c.
  7. Wektory własne wokseli dla tego samego zestawu wartości własnych można wyznaczyć, stosując PCA do kolumny za pomocą kolumnowej macierzy kowariancji lub za pomocą tej alternatywnej, mniej wymagającej obliczeniowo procedury przedstawionej na rysunku (Rysunek 4c). Po lewej stronie pomnóż poprzednio wyprowadzoną macierz wektorów wyniku przez macierz transpozycji SRP, aby uzyskać tablicę P wektorów własnych wzorca woksela w malejącej kolejności wartości własnych (Rysunek 4c, Rysunek 6, Rysunek 7a).
    P = SRPT x S
    Każdy wektor kolumnowy reprezentuje wzorzec obrazu głównego składnika (PC) analizy SSM/PCA przypisany procentowi całkowitej uwzględnionej wariancji (vaf) odpowiadającej względnej wielkości jego wartości własnej.

3. Wyznaczanie biomarkerów wzorca

  1. Przeanalizuj wyniki poprzedniej analizy, aby określić wzorce PC, które są związane z wysokimi wartościami VAF. W ramach naszej rutyny wektory wzorca wokseli są przekształcane w Z, tak aby ich wartości reprezentowały dodatnie i ujemne odchylenia standardowe od ich wartości średniej. Są one następnie przekształcane w format obrazu przed wyświetleniem (Rysunek 7a).
  2. W niektórych przypadkach można wizualnie zidentyfikować wzorce ze znanymi odchyleniami regionalnymi związanymi z chorobą. Formuła matematyczna traktuje pozytywne i negatywne formy pochodnych PC jako równoważne rozwiązania, w którym to przypadku zarówno PC, jak i związane z nimi wyniki można pomnożyć przez minus jeden, aby zachować zgodność z fizycznie poprawną interpretacją.
  3. Wyniki odpowiadające poszczególnym wzorcom PC są wyświetlane w postaci wykresów słupkowych i wykresów punktowych (Rysunek 7). Można wygenerować opcjonalny wykres ROC (rysunek 7d) . Aby zidentyfikować wzorzec specyficzny dla choroby, należy zwrócić uwagę na zróżnicowanie wyników pacjentów i osób z grupy kontrolnej, odzwierciedlone przez wartości p odpowiednich testów t dla dwóch prób i wartości AUC. Ogranicz analizę do tych komputerów, które charakteryzują się wysokim VAF i wysokim zróżnicowaniem dla niektórych stałych wartości odcięcia (np. p < 0,05 i VAF > 5%). Zazwyczaj tylko jeden lub dwa komputery spełniają to kryterium dla danych PET.
  4. Istnieje wiele innych sposobów wyboru komputera, które można uznać za44. Wykres piargowy sekwencyjnych wartości własnych (rysunek 6) może dać ostrą wartość odcięcia reprezentowaną przez zagięcie krzywej i gwałtowne zmniejszenie nachylenia krzywej, w której wartości własne zaczynają się degenerować. Innym podejściem jest uwzględnienie wszystkich komputerów, które stanowią górne 50% wariancji. Powszechnie akceptowaną procedurą jest obliczenie kryterium informacyjnego Akaike (AIC)45 w celu określenia, która kombinacja komputerów PC definiuje model o najniższej wartości AIC, która umożliwia rozróżnienie pacjentów i osób z grupy kontrolnej.
  5. Wybrane PC mogą być znormalizowane wektorowo i liniowo połączone w celu uzyskania pojedynczego wzorca związanego z chorobą. Nasze oprogramowanie opcjonalnie wykorzystuje funkcję MATLAB glmfit do określania współczynników na podstawie modeli logistycznych lub innych modeli regresji zastosowanych do wyników przedmiotów. Chociaż zróżnicowanie grup pacjentów i kontrolnych zwykle poprawia się wraz z dodatkowymi PC uwzględnionymi w grupie derywacji, wynikowe wzorce są złożoną reprezentacją, która może nie odpowiadać pojedynczej sieci fizycznej lub może zawierać odchylenia odstające (ryc. 7a i 7c).
  6. Wymagana jest dalsza walidacja pod kątem wiarygodności i potencjalnego znaczenia. Ponowne próbkowanie Bootstrap można przeprowadzić, jak omówiono poniżej8, aby zidentyfikować najbardziej wiarygodne woksele w oryginalnym zestawie danych pochodnych, powiązane z najmniejszym odchyleniem standardowym w wyprowadzeniu powtarzającego się wzorca. Walidacja do przodu jest przeprowadzana w celu zbadania wrażliwości i swoistości dyskryminacji grup niezależnych poprzez uzyskanie wyników dla prospektywnych grup pacjentów i grupy kontrolnej przy użyciu metody oceny wyniku pojedynczego pacjenta (Figura 4d) opisanej w następnym segmencie protokołu.

4. Prospektywna ocena wyniku dla jednego podmiotu przy użyciu wcześniej określonego biomarkera

  1. Po zidentyfikowaniu istotnego wzorca biomarkera SSM-GIS, wynik jego ekspresji u potencjalnego uczestnika można ocenić na podstawie skanu tej osoby przy użyciu prostego obliczenia wewnętrznego iloczynu wektora wektora SRP osoby badanej i wektora wzorca GIS (Rysunek 4d, Rysunek 7d).
    SCORE = SRP • Wzorzec
  2. Poprzednia operacja jest zautomatyzowana przez naszą procedurę TPR. Jednakże, aby niezależnie wyprowadzić wektor SRP podmiotu, należy użyć powiązanej wewnętrznej maski GIS na danych przekształconych logarytmicznie i odjąć zarówno średnią tematu, jak i odpowiadające im wartości wokseli wstępnie wyprowadzonej grupy odniesienia GMP, jak w kroku 2.4. Dzięki temu wyniki można porównać z wcześniej ustalonym zakresem odniesienia. Wyniki dla nowej grupy mogą być podobnie oceniane jako zestaw prospektywnych wyników z jednego przedmiotu. W przypadku użycia z inną grupą odniesienia lub ustawieniem, GMP można ponownie skalibrować, gdy wzorzec pozostaje niezmieniony.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Proste zastosowanie wielowymiarowej analizy SSM/PCA do uzyskania wzorca biomarkerów neuroobrazowania dla PD jest zilustrowane poniżej. Obrazy PET FDG dziesięciu klinicznie zdiagnozowanych pacjentów z PD (6M/4F, 59y ± 7y sd) o zmiennym czasie trwania choroby (9 lat ± 5 lat sd) oraz dziesięciu normalnych kontrolnych dopasowanych do wieku i płci (6 m / 4 lata, 58 lat ±7 lat sd) przeanalizowano przy użyciu naszej procedury ssmpca. Dwadzieścia odpowiadających, przestrzennie wstępnie znormalizowanych obrazów zostało p...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Model SSM/PCA pierwotnie zaprezentowany przez Moellera i wsp. 4 przekształciła sięw prostą i solidną technikę analizy danych neuroobrazowych. W stosowaniu tej metodologii wystąpiły jednak niejasności, które staraliśmy się wyjaśnić w tym miejscu oraz w poprzednich publikacjach5-7,10. Niektóre z tych kwestii zostały poruszone w tekście, ale zostały one ponownie podkreślone ze względu na ich znaczenie. Jak szczegółowo opisano we wprowadzeniu, SSM / PCA jest przede wszystkim skuteczn...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dr. Eidelberg jest wymieniony jako współwynalazca dwóch amerykańskich patentów dotyczących wykorzystania markerów obrazowania do badań przesiewowych pacjentów pod kątem dysfunkcji układu nerwowego (bez korzyści finansowych). Nie ma żadnych dalszych ujawnień.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ta praca była wspierana przez Grant No. P50NS071675 (Morris K. Udall Center of Excellence in Parkinson's Disease Research at The Feinstein Institute for Medical Research) dla D.E. z National Institute of Neurological Disorders and Stroke. Wyłączną odpowiedzialność za treść ponoszą autorzy i niekoniecznie reprezentują one oficjalne poglądy Narodowego Instytutu Zaburzeń Neurologicznych i Udaru Mózgu lub Narodowych Instytutów Zdrowia. Sponsor nie odegrał żadnej roli w projektowaniu, gromadzeniu, analizie i interpretacji danych w badaniu, pisaniu raportu ani w podejmowaniu decyzji o przekazaniu pracy do publikacji.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Akwizycja obrazu
Skaner PETGE Medical SystemsGE AdvanceDowolne skanery PET, PET/CT i PET/MRI ze stacji roboczych GE, Siemens i Philips
LenovoAnyhttp://www.lenovo.com/us/en/
Radiofarmaceutyki
[18F]-fluorodeoksyglukozaFeinstein Institute for MedicalResearch Rutynowa produkcjaRównież dystrybuowane przez Cardinal Health http://www.cardinal.com/
Software
ScanVPInstytut BadańMedycznych FeinsteinWersja 5.9.1, wersja 6.2, do wydaniawww.feinsteinneuroscience.org
SPMInstytut Neurologii UCLspm99-spm8http://www.fil.ion.ucl.ac.uk/spm
WindowsMicrosoftDowolny
MatlabMathworksMatlab Wersja 7.0, 7.3http://www.mathworks.com/
JMPSAS wersja 5http://www.jmp.com/

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Moeller, J. R., Strother, S. C. A regional covariance approach to the analysis of functional patterns in positron emission tomographic data. J. Cereb. Blood Flow Metab. 11 (2), 121-135 (1991).
  2. Alexander, G. E., Moeller, J. R. Application of the scaled subprofile model to functional imaging in neuropsychiatric disorders: A principal component approach to modeling brain function in disease. Hum. Brain Mapp. 2, 1-16 (1994).
  3. Habeck, C. G. Basics of multivariate analysis in neuroimaging data. J. Vis. Exp. (41), e1988(2010).
  4. Moeller, J. R., Strother, S. C., Sidtis, J. J., Rottenberg, D. A. Scaled subprofile model: a statistical approach to the analysis of functional patterns in positron emission tomographic data. J. Cereb. Blood Flow Metab. 7 (5), 649-658 (1987).
  5. Spetsieris, P. G., Eidelberg, D. Scaled subprofile modeling of resting state imaging data in Parkinson's disease: methodological issues. Neuroimage. 54 (4), 2899-2914 (2011).
  6. Dhawan, V., Tang, C. C., Ma, Y., Spetsieris, P., Eidelberg, D. Abnormal network topographies and changes in global activity: Absence of a causal relationship. Neuroimage. 63 (4), 1827-1832 (2012).
  7. Eidelberg, D. Metabolic brain networks in neurodegenerative disorders: a functional imaging approach. Trends Neurosci. 32 (10), 548-557 (2009).
  8. Habeck, C., Foster, N. L., et al. Multivariate and univariate neuroimaging biomarkers of Alzheimer's disease. Neuroimage. 40 (4), 1503-1515 (2008).
  9. Efron, B., Tibshirani, R. An introduction to the bootstrap. , CRC Press, LLC. New York. (1994).
  10. Ma, Y., Tang, C., Spetsieris, P., Dhawan, V., Eidelberg, D. Abnormal metabolic network activity in Parkinson's disease: test-retest reproducibility. J. Cereb. Blood Flow & Metab. 27 (3), 597-605 (2007).
  11. Ma, Y., Eidelberg, D. Functional imaging of cerebral blood flow and glucose metabolism in Parkinson's disease and Huntington's disease. Mol. Imaging Biol. 9 (4), 223-233 (2007).
  12. Tang, C. C., Poston, K. L., et al. Differential diagnosis of parkinsonism: a metabolic imaging study using pattern analysis. Lancet Neurol. 9 (2), 149-158 (2010).
  13. Spetsieris, P. G., Ma, Y., Dhawan, V., Eidelberg, D. Differential diagnosis of parkinsonian syndromes using PCA-based functional imaging features. Neuroimage. 45 (4), 1241-1252 (2009).
  14. Tang, C. C., Poston, K. L., Dhawan, V., Eidelberg, D. Abnormalities in metabolic network activity precede the onset of motor symptoms in Parkinson's disease. J. Neurosci. 30 (3), 1049-1056 (2010).
  15. Mure, H., Hirano, S., et al. Parkinson's disease tremor-related metabolic network: characterization, progression, and treatment effects. Neuroimage. 54 (2), 1244-1253 (2011).
  16. Niethammer, M., Eidelberg, D. Metabolic brain networks in translational neurology: concepts and applications. Ann. Neurol. , (2012).
  17. Petersson, K. M., Nichols, T. E., Poline, J. B. Statistical limitations in functional neuroimaging. I. Non-inferential methods and statistical models. Philos. Trans. R. Soc. Lond. B. Biol. Sci. 354 (1387), 1239-1260 (1999).
  18. Habeck, C., Stern, Y. Multivariate data analysis for neuroimaging data: overview and application to Alzheimer's disease. Cell Biochem. Biophys. 58 (2), 53-67 (2010).
  19. McKeown, M. J., Hansen, L. K., Sejnowsk, T. J. Independent component analysis of functional MRI: what is signal and what is noise. Current Opinion in Neurobiology. 13 (5), 620-629 (2003).
  20. Stone, J. V. Independent component analysis: an introduction. Trends Cogn. Sci. 6 (2), 59-64 (2002).
  21. McIntosh, A. R., Bookstein, F. L., Haxby, J. V., Grady, C. L. Spatial pattern analysis of functional brain images using partial least squares. Neuroimage. 3 (3 Pt. 1), 143-157 (1996).
  22. Habeck, C., Krakauer, J. W., et al. A new approach to spatial covariance modeling of functional brain imaging data: ordinal trend analysis. Neural Comput. 17 (7), 1602-1645 (2005).
  23. Habeck, C., Moeller, J. R. Intrinsic functional-connectivity networks for diagnosis: just beautiful pictures. Brain Connect. 1 (2), 99-103 (2011).
  24. Huang, C., Tang, C., et al. Changes in network activity with the progression of Parkinson's disease. Brain. 130, 1834-1846 (2007).
  25. Feigin, A., Tang, C., et al. Thalamic metabolism and symptom onset in preclinical Huntington's disease. Brain. 130, 2858-2867 (2007).
  26. Poston, K. L., Tang, C. C., et al. Network correlates of disease severity in multiple system atrophy. Neurology. 78 (16), 1237-1244 (2012).
  27. Biswal, B., Yetkin, F. Z., Haughton, V. M., Hyde, J. S. Functional connectivity in the motor cortex of resting human brain using echo-planar MRI. Magnetic Resonance in Medicine: Official Journal of the Society of Magnetic Resonance in Medicine / Society of Magnetic Resonance in Medicine. 34 (4), 537-541 (1995).
  28. Greicius, M. D., Krasnow, B., Reiss, A. L., Menon, V. Functional connectivity in the resting brain: a network analysis of the default mode hypothesis. Proceedings of the National Academy of Sciences of the United States of America. 100 (1), 253-258 (2003).
  29. Friston, K. J., Frith, C. D., Liddle, P. F., Frackowiak, R. S. Functional connectivity: the principal component analysis of large (PET) data sets. J. Cereb. Blood Flow Metab. 13, 5-14 (1993).
  30. Strother, S. C., Kanno, I., Rottenberg, D. A. Commentary and opinion: I. Principal component analysis, variance partitioning, and "functional connectivity". Journal of Cerebral Blood Flow and Metabolism: Official Journal of the International Society of Cerebral Blood Flow and Metabolism. 15 (3), 353-360 (1995).
  31. Ekstrom, A. How and when the fMRI BOLD signal relates to underlying neural activity: the danger in dissociation. Brain Research Reviews. 62 (2), 233-244 (2010).
  32. Logothetis, N. K. What we can do and what we cannot do with fMRI. Nature. 453 (7197), 869-878 (2008).
  33. Lin, T. P., Carbon, M., et al. Metabolic correlates of subthalamic nucleus activity in Parkinson's disease. Brain. 131 (Pt. 5), 1373-1380 (2008).
  34. Hirano, S., Asanuma, K., et al. Dissociation of metabolic and neurovascular responses to levodopa in the treatment of Parkinson's disease. J. Neurosci. 28 (16), 4201-4209 (2008).
  35. Feigin, A., Antonini, A., et al. Tc-99m ethylene cysteinate dimer SPECT in the differential diagnosis of parkinsonism. Mov. Disord. 17 (6), 1265-1270 (2002).
  36. Eckert, T., Van Laere, K., et al. Quantification of Parkinson's disease-related network expression with ECD SPECT. Eur. J. Nucl. Med. Mol. Imaging. 34 (4), 496-501 (2007).
  37. Ma, Y., Huang, C., et al. Parkinson's disease spatial covariance pattern: noninvasive quantification with perfusion MRI. J. Cereb. Blood Flow Metab. 30 (3), 505-509 (2010).
  38. Melzer, T. R., Watts, R., et al. Arterial spin labelling reveals an abnormal cerebral perfusion pattern in Parkinson's disease. Brain. 134 (Pt. 3), 845-855 (2011).
  39. Skidmore, F., Spetsieris, P., et al. Diagnosis of Parkinson's disease using resting state fMRI. 15th International congress of Parkinson's disease and movement disorders, , LB22(2011).
  40. Peng, S., Wu, T., et al. A comparison study of Parkinson's disease-related patterns between FDG PET and fMRI at rest state. Neuroimage. 61, Suppl 1. 5610(2012).
  41. Brickman, A. M., Habeck, C., Zarahn, E., Flynn, J., Stern, Y. Structural MRI covariance patterns associated with normal aging and neuropsychological functioning. Neurobiol. Aging. 28 (2), 284-295 (2007).
  42. Bergfield, K. L., Hanson, K. D., et al. Age-related networks of regional covariance in MRI gray matter: reproducible multivariate patterns in healthy aging. Neuroimage. 49 (2), 1750-1759 (2010).
  43. Steffener, J., Brickman, A. M., Habeck, C. G., Salthouse, T. A. Cerebral blood flow and gray matter volume covariance patterns of cognition in aging. Human Brain Mapping. , (2012).
  44. Cangelosi, R., Goriely, A. Component retention in principal component analysis with application to cDNA microarray data. Biol. Direct. 2, 2(2007).
  45. Akaike, H. A new look at the statistical model identification. IEEE Transactions on Automatic Control. 19 (6), 716-723 (1974).
  46. Eidelberg, D., Moeller, J. R., et al. Assessment of disease severity in parkinsonism with fluorine-18-fluorodeoxyglucose and PET. J. Nucl. Med. 36 (3), 378-383 (1995).
  47. Ma, Y., Tang, C., Moeller, J. R., Eidelberg, D. Abnormal regional brain function in Parkinson's disease: truth or fiction. Neuroimage. 45 (2), 260-266 (2009).
  48. Habeck, C., Steffener, J., Rakitin, B., Stern, Y. Can the default-mode network be described with one spatial-covariance network. Brain Res. 1468, 38-51 (2012).
  49. Joliffe, I. T. Principal Components Analysis. Springer Series in Statistics. , 2nd edition, Springer-Verlag. New York. (2002).
  50. Limpert, E., Stahel, W. A., Abbt, M. Log-normal distributions across the sciences: keys and clues. BioScience. 51 (5), 341-352 (2001).
  51. Huang, C., Mattis, P., et al. Metabolic abnormalities associated with mild cognitive impairment in Parkinson disease. Neurology. 70 (16 Pt. 2), 1470-1477 (2008).
  52. Mattis, P. J., Tang, C. C., Ma, Y., Dhawan, V., Eidelberg, D. Network correlates of the cognitive response to levodopa in Parkinson disease. Neurology. 77 (9), 858-865 (2011).
  53. Feigin, A., Kaplitt, M. G., et al. Modulation of metabolic brain networks after subthalamic gene therapy for Parkinson's disease. Proc. Natl. Acad. Sci. U.S.A. 104 (49), 19559-19564 (2007).
  54. Mure, H., Tang, C. C., et al. Improved sequence learning with subthalamic nucleus deep brain stimulation: evidence for treatment-specific network modulation. The Journal of Neuroscience: The Official Journal of the Society for Neuroscience. 32 (8), 2804-2813 (2012).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Scaled Subprofile ModelPrincipal Component AnalysisSpatial Covariance PatternsDisease related BiomarkersNeuroimaging Data AnalysisVoxel by voxel CovarianceLogistic Regression AnalysisBootstrap ResamplingForward ValidationParkinson Disease

Related Articles