Name: Identyfikacja wzorców kowariancji przestrzennej związanych z chorobą przy użyciu danych neuroobrazowych (Wideo) | JoVE Journal
Uploaded: 2013-06-26T13:00:00.000+00:00
Duration: 14 min 27 s
Description: Odkryj metodę identyfikacji wzorców kowariancji przestrzennej w danych neuroobrazowych przy użyciu analizy składowych głównych PCA. Technika ta umożliwia różnicowanie pacjentów z chorobami neurodegeneracyjnymi od osób zdrowych.

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

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.

1. Gromadzenie danych i wstępne przetwarzanie
<ol>
 <li>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.</li>
 <li>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.</li>
 <li>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, <a href="http://www.feinsteinneuroscience.org" target="_blank">www.feinsteinneuroscience.org</a>) 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.</li>
 <li>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) (<a href="http://www.fil.ion.ucl.ac.uk/spm" target="_blank">http://www.fil.ion.ucl.ac.uk/spm</a>), 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.</li>
</ol>
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, <a href="http://www.feinsteinneuroscience.org" target="_blank">www.feinsteinneuroscience.org</a> dostępne również jako ssm_pca narzędzi SPM).
<ol>
 <li>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.</li>
 <li>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.</li>
 <li>Przekształć każdy wpis danych do postaci logarytmicznej.</li>
 <li>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</li>
 <li>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)</li>
 <li>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.</li>
 <li>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.</li>
</ol>
3. Wyznaczanie biomarkerów wzorca
<ol>
 <li>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).</li>
 <li>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.</li>
 <li>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.</li>
 <li>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.</li>
 <li>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).</li>
 <li>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.</li>
</ol>
4. Prospektywna ocena wyniku dla jednego podmiotu przy użyciu wcześniej określonego biomarkera
<ol>
 <li>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</li>
 <li>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.</li>
</ol>

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.

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...

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.

<table><tbody><tr><td colspan="4">Akwizycja obrazu </td></tr><tr><td>Skaner PET</td><td>GE Medical Systems</td><td>GE Advance</td><td>Dowolne skanery PET, PET/CT i PET/MRI ze stacji roboczych GE, Siemens i Philips </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"> Radiofarmaceutyki </td></tr><tr><td>[18F]-fluorodeoksyglukoza</td><td>Feinstein Institute for Medical</td><td>Research Rutynowa produkcja</td><td>Również dystrybuowane przez Cardinal Health <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>Instytut Badań</td> <td>Medycznych FeinsteinWersja 5.9.1, wersja 6.2, do wydania</td><td><a href="http://www.feinsteinneuroscience.org/" target="_blank">www.feinsteinneuroscience.org</a></td></tr><tr><td>SPM</td><td>Instytut Neurologii UCL</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>Dowolny</td><td></td></tr><tr><td>Matlab</td><td>Mathworks</td><td>Matlab Wersja 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></td><td>SAS wersja 5</td><td><a href="http://www.jmp.com/" target="_blank">http://www.jmp.com/</a></td></tr></tbody></table>

identyfikacja wzorców kowariancji przestrzennej związanych z chorobą przy użyciu danych neuroobrazowych

Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data

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.

Poniżej przedstawiono prostą aplikację wielowymiarowej analizy SSM/PCA w celu wyprowadzenia wzorca biomarkera neuroobrazowania dla choroby Parkinsona (PD). Obrazy PET FDG dziesięciu klinicznie zdiagnozowanych pacjentów z PD (6M/4F, 59y ± 7y sd) o różnym czasie trwania choroby (9y ± 5y sd) oraz dziesięciu znormalizowanych kontroli dopasowanych pod względem wieku i płci (6M/4F, 58y ±7y sd) zostały przeanalizowane przy użyciu naszej procedury ssmpca. Dwadzieścia odpowiadających im, przestrzennie prenormalizowanych ...

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.

Identyfikacja wzorców kowariancji przestrzennej związanych z chorobą przy użyciu danych neuroobrazowych

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 ...

Ogólnym celem niniejszej procedury jest określenie charakterystycznych dla Covance obrazowych biomarkerów wzorców zaburzeń funkcjonalnych mózgu. Osiąga się to poprzez najpierw wykonanie pojedynczych wolumetrycznych skanów mózgu u grupy pacjentów z wstępną diagnozą kliniczną oraz u grupy osób zdrowych, dopasowanych pod względem wieku i najlepiej płci, z wykorzystaniem takich modalności jak PET SPECT, ASL-fMRI lub VBM-MRI. Drugim krokiem jest normalizacja przestrzenna obrazów do wspólnego szablonu stereotaktycznego.Następnie zastosowano technikę wielowymiarową. Przeprowadzono analizę głównych składowych w modelu Scaled SubProfile (S-S-M-P-C-A), a następnie przeanalizowano wynikowe główne składowe (PC) oraz odpowiadające im wyniki badanych. Ostatnim krokiem było wyznaczenie optymalnej składowej PC lub kombinacji składowych PC, które definiują wzorzec Covance pozwalający na odróżnienie pacjentów od grupy kontrolnej.W ostatecznym rozrachunku wzorzec Covance może być wykorzystany do oceny poszczególnych potencjalnych badanych pod kątem nasilenia objawów choroby. Przewagą tej metody w stosunku do niektórych spopularyzowanych technik porównawczych opartych na pojedynczym wokselu jest możliwość identyfikacji i pomiaru aktywności sieci mózgowych. Są to rozproszone regionalne wzorce Covance w mózgu.Co najważniejsze, pozwala ona na pomiar aktywności danej sieci w mózgu i sprowadzenie jej do pojedynczej wartości liczbowej, która stanowi kluczowy parametr w badaniach klinicznych. Metoda ta może pomóc w odpowiedzi na fundamentalne pytania z dziedziny neuronauki, takie jak identyfikacja sieci metabolicznych dla różnych schorzeń neurologicznych, które w wczesnych stadiach progresji choroby wykazują podobne objawy. Zastosowanie tej techniki obejmuje zarówno diagnostykę różnicową, jak i planowanie leczenia chorób takich jak choroba Parkinsona, ponieważ możliwe jest uzyskanie pojedynczej oceny dla danego pacjenta, którą można następnie wykorzystać w diagnostyce różnicowej i planowaniu terapii.Choć metoda ta może dostarczyć wglądu w zespoły parkinsonowskie, może być ona również zastosowana w innych chorobach neurodegeneracyjnych, takich jak choroba Huntingtona oraz choroba Alzheimera. Zazwyczaj osoby rozpoczynające pracę z tą metodą zmagają się z uprzednimi koncepcjami univa, które zakładają, że skutki choroby są zlokalizowane w odizolowanych skupiskach regionalnych.Dr James Moler wpadł na pomysł opracowania tej metody, gdy zastosował tę koncepcję do badania otępienia u pacjentów z AIDS. Wizualna demonstracja tej metody jest istotna dla zrozumienia procesów zaangażowanych w analizę sieciową. Jednakże faktyczne kroki związane z obsługą naszych programów nie są trudne do opanowania, ponieważ są one w wysokim stopniu zautomatyzowane. Aby zbadać metabolizm mózgu za pomocą pozytonowej tomografii emisyjnej (PET), należy najpierw podać znacznik radionuklidowy, taki jak 18F-fluorodeksyglukoza, każdemu pacjentowi w grupie badawczej po co najmniej 12 godzinach postu i odstawieniu leków, a także każdemu osobie w grupie kontrolnej.Odczekaj 45 minut, aby znacznik osiągnął stan równowagi w tkance. Następnie przeprowadź skanowanie każdej osoby w spoczynku z otwartymi oczami w celu wyprowadzenia wzorca. Po zakończeniu skanowania przeprowadź badanie równej liczby pacjentów i osób z grupy kontrolnej, dopasowanych pod względem płci oraz poziomu H.Prześlij dane obrazowe na stację roboczą i przekonwertuj je na format odpowiedni do analizy. Wykorzystane tutaj oprogramowanie analityczne MATLAB działające w systemie Windows wymaga konwersji obrazów z zaawansowanych formatów ge na formaty do analizy lub format nifty. Następnie znormalizuj obrazy każdego obiektu do wspólnej przestrzeni stereotaktycznej, używając standardowego pakietu oprogramowania do neuroobrazowania, takiego jak SPM, aby zapewnić jeden do jednego odpowiedniość wartości wokseli pomiędzy obiektami.Następnie na znormalizowany obraz należy nałożyć maskę istoty szarej, aby ograniczyć analizę do obszarów istoty szarej. Jeśli zewnętrzna maska nie jest dostępna, należy stworzyć indywidualne maski dla każdego badanego, wykluczając wartości niższe od określonego progu. Procent maksymalnej wartości dla każdego badanego, a następnie pomnożyć maski, aby zdefiniować złożoną przestrzeń wokseli istoty szarej mózgu do analizy.W celu przeprowadzenia wielowymiarowej skalowanej analizy głównych składowych modelu SubProfile, czyli S-S-M-P-C-A, należy użyć wewnętrznych procedur scan VP dostępnych na stronie internetowej Feinstein neuroscience. Jest ona również dostępna jako narzędzie statistical parametric mapping; w menu SSM PCA w programie scan VP należy wybrać statistics, następnie SSM, potem voxel based, a na końcu PCA.Następnie zaznacz opcję select controls w menu i wybierz wcześniej znormalizowane obrazy kontrolne. Następnie wybierz pliki obrazów, aby wprowadzić znormalizowane obrazy pacjentów. Wybierz odpowiednią maskę lub próg oraz zaznacz pozostałe opcje w menu.Następnie naciśnij proces i wprowadź nazwę dla wyników eksperymentu. Poczekaj na wyświetlenie obrazów głównych składowych, które są przedmiotem zainteresowania, w odpowiadających im plikach wyników (score files) dla innego oprogramowania. Zasymuluj algorytm wykonany przez opisany powyżej zautomatyzowany proces.Aby to osiągnąć, należy najpierw zamaskować dane, wykorzystując dostępną binarną maskę obrazu (0-1), w celu usunięcia niepożądanych obszarów przestrzeni wokseli, takich jak istota biała i komory mózgu, zgodnie z opisem w etapie wstępnego przetwarzania. Następnie zamaskowany obraz 3D danych każdego badanego należy przekształcić w jeden ciągły wektor wierszowy poprzez dołączanie sekwencyjnych linii skanowania z kolejnych płaszczyzn, tworząc macierz danych grupowych w taki sposób, aby dane każdego badanego odpowiadały konkretnemu wierszowi macierzy. Wówczas każda kolumna reprezentuje konkretny woksel w obrębie grupy badanych.Po wprowadzeniu każdego obiektu do macierzy, przekształć każdy wpis danych w formę logarytmiczną. Następnie scentruj macierz danych, odejmując średnią z każdego wiersza lub średnią dla obiektu od elementów wiersza. Średnia ze wszystkich scentrowanych wierszy stanowi charakterystyczny obraz logarytmiczny średniej grupy, określany jako profil średniej grupy lub GMP.Następnie od elementów poszczególnych kolumn macierzy odejmij średnie wartości kolumn. Każdy wiersz macierzy dwukrotnie centrowanej reprezentuje obraz rezydualny, nazywany profilem rezydualnym badanego (subject residual profile, SRP), którego elementy reprezentują odchylenia od średnich grupy dla badanego S oraz woksela V; odbywa się to zgodnie z przedstawionym tutaj równaniem, gdzie S-R-P-S-V jest elementem macierzy SRP odpowiadającym badanemu S i wokselowi V. D-S-V to oryginalna wartość danych, mean S to średnia wartość dla badanego, a GMPV to średnia grupowa wartość woksela V. Następnie skonstruuj macierz kowariancji C dla badanych z kompozytowej, dwukrotnie centrowanej macierzy danych SRP, obliczając nienormalizowaną kowariancję pomiędzy każdą parą wierszy macierzy profilu rezydualnego badanych.Stosując przedstawione tutaj równanie, w którym CIJ jest elementem symetrycznej macierzy kowariancji C, a c, RRP IV i CRP JV są odpowiadającymi im elementami wokseli macierzy CRP w wierszu INJ, które są mnożone i sumowane dla wszystkich wokseli. Następnie należy przeprowadzić analizę głównych składowych dla macierzy kowariancji C dla każdego badanego z osobna. Wynikiem będzie zestaw wektorów własnych wyników badanych z przypisanymi im wartościami własnymi. W kolejnym kroku należy obciążyć każdy wektor, mnożąc go przez pierwiastek kwadratowy z odpowiadającej mu wartości własnej.Zbiór wektorów własnych wyników jest reprezentowany przez kolumny macierzy S przedstawionej tutaj. Następnie należy wyznaczyć wektory własne wokseli dla tego samego zestawu wartości własnych, mnożąc macierz wektorów wyników przez transponowaną macierz profilu rezydualnego obiektów. Tworzy to tablicę P wzorców wokseli, czyli wektorów własnych w malejącej kolejności wartości własnych, zgodnie z przedstawionym tutaj równaniem, gdzie P jest macierzą wektorów własnych głównych komponentów wokseli.SRPT jest transponowaną macierzą SRP, a S jest macierzą wektorów wyników; następnie przekształć każdy wektor w obraz głównej składowej. Każdemu obrazowi głównej składowej przypisany jest procent całkowitej wyjaśnionej wariancji lub VAF, odpowiadający względnej wartości jego wartości własnej. Przeanalizuj wyniki analizy głównych składowych, aby określić wzorce powiązane z wysokimi wartościami wyjaśnionej wariancji.Wektory wzorców wokselowych oraz wyniki są przekształcane metodą Z, tak aby ich wartości reprezentowały dodatnie i ujemne odchylenia standardowe od wartości średnich. Następnie należy podjąć próbę zidentyfikowania odchyleń regionalnych związanych z badaną chorobą. Potem należy przeanalizować wykresy rozrzutu wyników odpowiadających każdemu wzorcowi głównej składowej.Można również wygenerować opcjonalny wykres charakterystyki operacyjnej odbiornika (ROC), aby zidentyfikować wzorzec specyficzny dla danej choroby. Należy ocenić różnicowanie wyników badanych pomiędzy pacjentami a grupą kontrolną, analizując wartości P odpowiadających testów T dla dwóch prób oraz wartości pola pod krzywą (AUC). Następnie należy przeprowadzić normalizację wektorową i liniową kombinację wybranych głównych składowych, aby uzyskać pojedynczy wzorzec związany z chorobą.W tym celu wykorzystuje się funkcję GLM fit w programie MATLAB, aby wyznaczyć współczynniki na podstawie modeli regresji logistycznej lub innych modeli regresji zastosowanych do wyników badanych. Po zidentyfikowaniu wzorca biomarkera można ocenić jego ekspresję wyników u potencjalnego badanego na podstawie skanu tej osoby; operacja ta jest wykonywana za pomocą funkcji TPR w menu. Aby to osiągnąć, stosuje się prosty obliczeniowy iloczyn skalarny wektora SRP badanego oraz wektora wzorca GIS.Na koniec należy przeprowadzić dalszą walidację otrzymanego potencjalnego biomarkera wzorca poprzez bootstrapowanie z wykorzystaniem zewnętrznego oprogramowania oraz poprzez walidację prospektywną na niezależnych grupach badanych. Walidacja prospektywna jest ułatwiona dzięki zastosowaniu TPR do wyznaczenia wyników dla kohorty prospektywnej. Przedstawiono tutaj obrazy w przekroju osiowym przechodzące przez środek czterech pierwszych głównych składowych obrazów z analizy SSM 10 pacjentów z klinicznie zdiagnozowaną chorobą Parkinsona oraz 10 osób z grupy kontrolnej, dopasowanych pod względem wieku i płci.Ciepłe kolory wskazują na względny wzrost aktywności metabolicznej. W ramach tej zasady określany jest wkład składnika w całkowity profil resztkowy badanego obiektu, natomiast zimne kolory wskazują na względne spadki metaboliczne. Pierwsza główna składowa miała największą wartość wyjaśnionej wariancji (VAF) oraz najniższą wartość P, co świadczy o wysokiej istotności statystycznej i sprawia, że jest ona jedyną składową, którą można uznać za potencjalny niezależny biomarker.Znaczące obszary zmienności, które przyczyniają się do ogólnego wzorca, są widoczne podczas wyświetlania w rzutach ortogonalnych. Na tle strukturalnego obrazu MRI kombinacja głównych komponentów może być wykorzystana w celu próby zwiększenia istotności, jak w przypadku komponentów pierwszego i czwartego, których połączenie obniża wartość P, co sugeruje wyższą istotność. Wykresy te przedstawiają niezależne wykresy słupkowe oraz wykresy rozrzutu wyników Z dla badanych w odniesieniu do głównego komponentu pierwszego i głównego komponentu czwartego. Pierwszy główny komponent znacząco różnicuje pacjentów od grupy kontrolnej.Podczas gdy czwarty wykazuje trend, liniowa kombinacja logistyczna pierwszej i czwartej głównej składowej poprawia dyskryminację. Jak wskazano wcześniej, połączony wzorzec wykazuje całkowitą separację przy progu Z-score wynoszącym 0,9.Połączenie trzeciej głównej składowej wykazuje nieco lepszą dyskryminację niż kombinacja pierwszej i czwartej, jednak uwzględnienie wszystkich czterech głównych składowych nie poprawiło dyskryminacji danych ze względu na brak zdolności dyskryminacyjnej drugiej głównej składowej. Przedstawiono tutaj prospektywną ocenę wyników wzorców dla pierwszej głównej składowej oraz połączonych wzorców pierwszej i czwartej głównych składowych, pierwszej, trzeciej i czwartej oraz pierwszej, drugiej, trzeciej i czwartej głównych składowych dla 22 osób z grupy kontrolnej i 22 pacjentów z PD. Wartości pola pod krzywą oraz czułość wydają się spadać w przypadku połączenia więcej niż dwóch głównych składowych.Podczas gdy wartości p wykazują tendencję do mniejszej stabilności, odnotowano nieistotną poprawę dla PC 1 i 4 w porównaniu do samego PC 1 w analizie UC i wartości p. Stoi to w sprzeczności ze znaczącą różnicą przewidzianą w próbie pochodzenia. Po uzyskaniu skanów od pacjentów z chorobą oraz osób z grupy kontrolnej, identyfikacja i walidacja realistycznych i wiarygodnych wzorców choroby staje się prostą procedurą przy użyciu tego algorytmu. Po zidentyfikowaniu i zwalidowaniu wzorców choroby można zastosować inne metody, takie jak analiza korelacji wyników pacjentów z niezależnymi miernikami klinicznymi, aby odpowiedzieć na dodatkowe pytania.Na przykład, czy biomarker obrazowy odzwierciedla manifestacje ruchowe czy poznawcze choroby, lub czy ekspresje wzorców choroby mogą pomóc w rozróżnieniu między różnymi schorzeniami, które wykazują podobne objawy w trudnych do zdiagnozowania przypadkach klinicznych. Należy pamiętać, że procedury tej nie można zastosować bezpośrednio do szeregów czasowych danych fMRI ze względu na dynamiczne fluktuacje odpowiedzi oraz niski stosunek sygnału do szumu związany z sygnałami fMRI.

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

Research

JoVE Journal

Medicine

Medycyna

Identyfikacja przestrzennych wzorców kowariancji związanych z chorobą przy użyciu danych obrazowania neurologicznego

Niniejszy artykuł opisuje podstawy analizy wielowymiarowej i przeciwstawia ją częściej stosowanej jednowymiarowej analizie wokselowej. Oba rodzaje analizy zostały zastosowane do zbioru danych z zakresu neuronauki klinicznej. Uzupełniające symulacje metodą split-half wykazują lepszą replikowalność wyników wielowymiarowych w niezależnych zbiorach danych.

Podstawy analizy wielowymiarowej w danych neuroobrazowych

Wykorzystujemy magnetoencefalografię i elektroencefalografię (MEG/EEG), w połączeniu z informacjami anatomicznymi uzyskanymi za pomocą obrazowania rezonansem magnetycznym (MRI), aby zmapować dynamikę sieci korowej związanej z uwagą słuchową.

Mapowanie dynamiki korowej z wykorzystaniem jednoczesnej MEG/EEG oraz oszacowań minimalnej normy z ograniczeniami anatomicznymi: przykład uwagi słuchowej

Ten film przedstawia metodę badania związanych z wiekiem zmian w funkcjonalnej łączności kognitywnych sieci kontrolnych zaangażowanych w wybrane zadania/procesy. Technika ta opiera się na wielowymiarowej analizie danych fMRI.

Metoda badania związanych z wiekiem różnic w funkcjonalnej łączności sieci kontroli poznawczej związanych z wydajnością sortowania kart zmiany wymiarów

Łączność informacyjna mierzy zgodność między przebiegami czasowymi informacji wielowokselowych w różnych regionach mózgu. Szeregi czasowe dyskryminacji wzorców wielowokselowych są wyodrębniane z regionów i porównywane, ujawniając sieci, które nie są identyfikowane w typowym podejściu do łączności funkcjonalnej.

Wykorzystanie łączności informacyjnej do pomiaru synchronicznego pojawiania się informacji o wielu wokselach fMRI w czasie

Rezonans magnetyczny funkcjonalnej łączności w stanie spoczynku zidentyfikował nieprawidłowości u pacjentów z szerokim zakresem zaburzeń neuropsychiatrycznych, w tym padaczką spowodowaną wadami rozwojowymi kory mózgowej. Przezczaszkowa stymulacja magnetyczna w połączeniu z EEG może wykazać, że pacjenci z padaczką mają nadpobudliwość kory mózgowej w regionach o nieprawidłowej łączności.

Multimodalna metoda obrazowania i stymulacji oceny pobudliwości mózgu związanej z łącznością u pacjentów z padaczką

Na podstawie obrazowania funkcjonalnego rezonansu magnetycznego w stanie spoczynku z analizą przyczynowości Granger, zbadaliśmy zmiany w ukierunkowanej funkcjonalnej łączności między tylną korą obręczy a całym mózgiem u pacjentów z chorobą Alzheimera (AD), pacjentów z łagodnymi zaburzeniami poznawczymi (MCI) i zdrowych osób z grupy kontrolnej.

Zastosowanie analizy przyczynowości Grangera ukierunkowanego związku funkcjonalnego w chorobie Alzheimera i łagodnych zaburzeniach poznawczych

Dostępny tutaj jest praktyczny samouczek dla ogólnodostępnego, ustandaryzowanego potoku przetwarzania obrazów w celu mapowania objawów zmian chorobowych. Dla każdego etapu przetwarzania dostępny jest przewodnik krok po kroku, od ręcznej segmentacji zawału w tomografii komputerowej/rezonansie magnetycznym po późniejszą rejestrację w standardowej przestrzeni, wraz z praktycznymi zaleceniami i ilustracjami z przykładowymi przypadkami.

Segmentacja zawału mózgu i rejestracja w rezonansie magnetycznym lub tomografii komputerowej w celu mapowania objawów zmian

Standardowe techniki analizy EEG oferują ograniczony wgląd w funkcjonowanie układu nerwowego. Wyprowadzanie modeli statystycznych połączeń korowych daje znacznie większe możliwości badania podstawowej dynamiki sieci. Poprawa oceny funkcjonalnej otwiera nowe możliwości diagnozowania, prognozowania i przewidywania wyników w chorobach układu nerwowego.

Modelowanie statystyczne połączeń korowych za pomocą nieinwazyjnych elektroencefalogramów

Przedstawiono protokół przeprowadzania eksperymentów hiperskanowania fNIRS na diadach wspólnego uczenia się w naturalnym środowisku uczenia się. Ponadto przedstawiono proces analizy synchronizacji międzymózgowej (IBS) sygnałów hemoglobiny natlenionej (Oxy-Hb).

Synchronizacja między mózgami w otwartym uczeniu się opartym na współpracy: badanie fNIRS-Hyperscanning

Ten artykuł przedstawia integracyjne podejście do badania funkcjonalnej sieci do nawigacji przestrzennej w ludzkim mózgu. Podejście to obejmuje wielkoskalową metaanalityczną bazę danych neuroobrazowania, funkcjonalne obrazowanie rezonansu magnetycznego w stanie spoczynku oraz techniki modelowania sieci i teorii grafów.

Modelowanie sieci funkcjonalnej do nawigacji przestrzennej w ludzkim mózgu

Koherencja transformacji falkowej (WTC) to powszechna metodologia oceny sprzężenia między sygnałami, która jest używana w badaniach hiperskanowania funkcjonalnej spektroskopii bliskiej podczerwieni (fNIRS). W niniejszej pracy przedstawiono zestaw narzędzi do oceny kierunkowości interakcji sygnału.

Nowe ramy zrozumienia koherencji międzymózgowej w badaniach hiperskanowania funkcjonalnej spektroskopii bliskiej podczerwieni (fNIRS)

Odkryj metodę identyfikacji wzorców kowariancji przestrzennej w danych neuroobrazowych przy użyciu analizy składowych głównych PCA. Technika ta umożliwia różnicowanie pacjentów z chorobami neurodegeneracyjnymi od osób zdrowych.

Identyfikacja wzorców kowariancji przestrzennej związanych z chorobą przy użyciu danych neuroobrazowych

Przeglądaj więcej filmów