Identyfikacja wzorców kowariancji przestrzennej związanych z chorobą przy użyciu danych neuroobrazowych

Ogólnym celem tej procedury jest określenie charakterystycznych biomarkerów obrazowania wzorca Covance neurofunkcjonalnych zaburzeń mózgu. Osiąga się to poprzez uzyskanie najpierw pojedynczych objętościowych skanów mózgu zestawu klinicznie wstępnie zdiagnozowanych pacjentów oraz zestawu normalnych grup kontrolnych dopasowanych do wieku i najlepiej płci, przy użyciu modalności takich jak PET spect, A-S-L-F-M-R-I lub V-B-M-M-R-I. Drugim krokiem jest przestrzenna normalizacja obrazów do wspólnego szablonu stereotaktycznego.

Następnie technika wielowymiarowa. Przeprowadzany jest skalowany model podprofilu analizy głównych składowych lub S-S-M-P-C-A i badane są wyjściowe komponenty podstawowe lub PC i odpowiadające im wyniki przedmiotowe. Ostatnim krokiem jest określenie najlepszego PC lub kombinacji PC, które definiują wzorzec Covance, który odróżnia pacjentów od grupy kontrolnej.

Ostatecznie wzorzec Covance może być wykorzystany do oceny poszczególnych potencjalnych pacjentów pod kątem ich ekspresji choroby. Zaletą tej metody w stosunku do niektórych spopularyzowanych technik porównawczych pojedynczych wokseli jest możliwość identyfikacji i pomiaru aktywności sieci mózgowych. Są to rozproszone regionalne wzorce Covance w mózgu.

Co najważniejsze, pozwala zmierzyć aktywność danej sieci w mózgu i podsumować ją za pomocą jednej liczby, która jest głównym atrybutem badań klinicznych. Metoda ta może pomóc odpowiedzieć na kluczowe pytania w dziedzinie neuronauki, takie jak identyfikacja sieci metabolicznych dla różnych chorób neurologicznych, które wykazują podobne objawy we wczesnych stadiach progresji choroby. Implikacje tej techniki rozciągają się zarówno na diagnostykę różnicową, jak i planowanie leczenia chorób takich jak choroba Parkinsona, ponieważ można uzyskać pojedynczy wynik pacjenta, który można następnie zastosować do diagnostyki różnicowej i planowania leczenia.

Chociaż ta metoda może zapewnić wgląd w zespoły Parkinsona. Może być również stosowany w innych zaburzeniach neurodegeneracyjnych, takich jak choroba łowiecka i choroba Alzheimera. Ogólnie rzecz biorąc, osoby nowe w tej metodzie będą zmagać się z z góry przyjętymi koncepcjami univa, które uważają, że skutki choroby są zlokalizowane w izolowanych skupiskach regionalnych.

Dr James Moler po raz pierwszy wpadł na pomysł tej metody, kiedy zastosował ją do badania demencji u pacjentów z AIDS. Wizualna demonstracja tej metody jest ważna dla zrozumienia procesów związanych z analizą sieci. Jednak rzeczywiste kroki związane z korzystaniem z naszych programów nie są trudne do nauczenia, ponieważ są one wysoce zautomatyzowane Aby zbadać metabolizm mózgu za pomocą pozytonowej tomografii emisyjnej lub PET, najpierw podaj znacznik radionuklidów, taki jak 18 fluoro F, deoksyglukozę każdemu pacjentowi w grupie choroby po poście trwającym co najmniej 12 godzin bez leków i do każdej normalnej kontroli.

Odczekaj 45 minut, aż znacznik osiągnie równowagę w tkance. Następnie skanuj każdą osobę, gdy jest w spoczynku, z otwartymi oczami w celu wyprowadzenia wzorca. Skanuj równą liczbę pacjentów i osób z grupy kontrolnej dopasowanych do płci i H po zakończeniu skanowania.

Prześlij dane obrazu do stacji roboczej i przekonwertuj je na odpowiedni format do analizy. Zastosowane tutaj oprogramowanie do analizy MATLAB oparte na systemie Windows wymaga konwersji z zaawansowanych formatów ge do obrazów analitycznych lub w formacie nifty. Następnie znormalizuj obraz każdego badanego do wspólnej przestrzeni stereotaktycznej za pomocą standardowego pakietu oprogramowania do neuroobrazowania, takiego jak SPM, tak aby istniała zgodność wartości wokseli jeden do jednego między badanymi.

Następnie zastosuj maskę istoty szarej do znormalizowanego obrazu, aby ograniczyć analizę do obszarów istoty szarej. Jeśli maska zewnętrzna nie jest dostępna, utwórz indywidualne maski tematu, wykluczając wartości niższe niż określony próg. Procent maksymalnej wartości każdego obiektu i pomnóż maski, aby zdefiniować złożoną przestrzeń wokseli szarej materii mózgowej do analizy.

W celu przeprowadzenia wielowymiarowej skalowanej analizy składowych zasady modelu SubProfile lub S-S-M-P-C-A, skorzystaj z wewnętrznego narzędzia VP do skanowania procedur dostępnego na stronie internetowej Feinstein neuroscience. Dostępny również jako przybornik statystycznego mapowania parametrycznego, SSM PCA w menu VP skanowania wybierz statystyki. Potem SSM, potem na bazie wokseli, a na końcu PCA.

Następnie zaznacz opcję wybierz kontrolki w menu i wybierz wcześniej znormalizowane obrazy kontrolne. Następnie wybierz pliki obrazów, aby wprowadzić znormalizowane obrazy pacjenta. Wybierz odpowiednią maskę lub próg i sprawdź inne opcje w menu.

Następnie naciśnij proces i wprowadź nazwę eksperymentalnego wyjścia. Poczekaj, aż na wyświetlaczu pojawią się interesujące obrazy głównych komponentów w odpowiadających im plikach partytury dla innego oprogramowania. Emuluj algorytm wykonywany przez opisany właśnie zautomatyzowany proces.

Aby to osiągnąć, należy użyć pierwszej maski obrazu, maski obrazu zero, aby usunąć niechciane obszary przestrzeni wokseli, takie jak istota biała i komory, zgodnie z opisem w kroku przetwarzania wstępnego. Następnie przekonwertuj zamaskowane dane z zamaskowanego obrazu 3D na jeden ciągły wektor wierszowy, dołączając sekwencyjne linie skanowania z kolejnych płaszczyzn w celu utworzenia macierzy danych grupy, tak aby dane każdej osoby odpowiadały określonemu wierszowi macierzy. Każda kolumna reprezentuje następnie określony woksel na różne tematy.

Gdy każdy temat zostanie załadowany do macierzy, przekształć każdy wpis danych do postaci logarytmicznej. Następnie wyśrodkuj macierz danych, odejmując każdy wiersz, średnią, średnią lub średnią tematu od elementów wiersza. Średnia ze wszystkich wyśrodkowanych wierszy reprezentuje charakterystyczny obraz logarytmu średniej grupy, termin do grupy, średni profil lub GMP.

Następnie odejmij średnie kolumn od odpowiednich elementów kolumny macierzy. Każdy wiersz podwójnie wyśrodkowanej macierzy reprezentuje szczątkowy obraz określany jako profil resztkowy obiektu lub SRP, którego elementy reprezentują odchylenia zarówno od grupy S podmiotu, jak i woksela V, co oznacza, że dzieje się to zgodnie z pokazanym tutaj równaniem, gdzie S-R-P-S-V jest elementem macierzy SRP odpowiadającym podmiotowi S i wokselowi. VDSV jest pierwotną wartością danych, średnia S jest średnią wartością przedmiotu, a GMPV jest średnią wartością grupy woksela V. Następnie skonstruuj podmiot według macierzy Covance'a podmiotu C złożonej, podwójnie wyśrodkowanej macierzy danych SRP, obliczając nieznormalizowaną Covance między każdą parą wierszy macierzy profilu resztkowego podmiotu.

Korzystając z tego równania pokazanego tutaj, gdzie CIJ jest elementem symetrycznego Covance, macierz C i c, RRP IV i CRP JV są odpowiadającymi sobie elementami woksela macierzy CRP róży INJ, które są mnożone i sumowane przez wszystkie woksele. Następnie zastosuj analizę składowych głównych do badanego według macierzy Covance'a C. Wyniki będą zestawem wektorów egen wyniku podmiotu z powiązanymi wartościami egen. Następnie zważ każdy wektor, mnożąc przez pierwiastek kwadratowy odpowiadającej mu wartości egen.

Zbiór wektorów własnych wyniku jest reprezentowany przez kolumny macierzy S pokazane tutaj. Następnie wyznacz wektory egen wokseli dla tego samego zestawu wartości egen, mnożąc macierz wektorów punktacji przez transpozycję macierzy profilu resztkowego podmiotu. W ten sposób powstaje tablica P wzorca woksela, wektory egen w malejącej kolejności wartości egen zgodnie z pokazanym tutaj równaniem, gdzie P jest macierzą głównych składowych wektorów egen woksela.

SRPT jest transpozycją macierzy SRP, a S jest macierzą wektorów wyniku, a następnie przekształć każdy wektor w obraz składowej głównej. Każdy obraz składowej głównej jest przypisany do procentu całkowitej uwzględnionej wariancji lub VAF odpowiadającego względnej wielkości jego wartości igon. Zbadaj wyniki analizy głównych składowych, aby określić wzorce, które są skojarzone z wysokimi uwzględnionymi wartościami.

Wektory i wyniki wzorca woksela są przekształcane w Z, tak aby ich wartości reprezentowały dodatnie i ujemne odchylenia standardowe od wartości średnich. Następnie spróbuj zidentyfikować odchylenia regionalne związane z badaną chorobą. Następnie zbadaj wykresy punktowe wyników odpowiadających każdemu wzorcowi głównego składnika.

Można również wygenerować opcjonalny wykres charakterystyki operacyjnej odbiornika w celu zidentyfikowania wzorca specyficznego dla choroby. Oceń zróżnicowanie wyników pacjentów i osób z grupy kontrolnej, badając wartości P odpowiednich dwóch prób testów T i wartości pola pod krzywą. Następnie wektor normalizuje i liniowo łączy wybrane główne składniki, aby uzyskać pojedynczy wzorzec związany z chorobą.

Aby to osiągnąć, funkcja MATLAB, dopasowanie GLM służy do określania współczynników na podstawie modeli logistycznych lub innych modeli regresji stosowanych do wyników przedmiotów. Po zidentyfikowaniu wzorca biomarkera można ocenić jego ekspresję wyniku u potencjalnego pacjenta na podstawie skanu tej osoby, operacja ta jest wykonywana przez TPR w menu. Aby to osiągnąć, użyj prostego obliczenia wewnętrznego iloczynu wektora skalarnego wektora SRP obiektu i wektora wzorca GIS.

Na koniec należy przeprowadzić dalszą walidację uzyskanego biomarkera potencjalnego wzorca poprzez ponowne próbkowanie bootstrap przy użyciu zewnętrznego oprogramowania oraz walidację do przodu niezależnych grup badanych. Walidacja do przodu jest ułatwiona dzięki użyciu TPR do określenia wyników dla potencjalnej kohorty. Pokazano tutaj wyświetlacze osiowe poprzez pochodzenie pierwszych czterech głównych obrazów składowych analizy SSM 10 klinicznie zdiagnozowanych pacjentów z chorobą Parkinsona z 10 grupą kontrolną dopasowaną pod względem wieku i płci.

Gorące kolory wskazują na względny wzrost aktywności metabolicznej. Zgodnie z tą zasadą, udział składnika w ogólnym profilu resztkowym obiektu, podczas gdy zimne kolory wskazują na względne spadki metaboliczne. Główny składnik pierwszy miał największą uwzględnioną wariancję lub wartość VAF i najmniejszą wartość P reprezentującą duże znaczenie i jest jedynym, który można uznać za potencjalnie niezależny biomarker

Znaczące obszary zmienności, które przyczyniają się do ogólnego wzorca, są widoczne, gdy są wyświetlane w widokach ortogonalnych Na tle strukturalnego obrazu MRI kombinacja głównych składników może być wykorzystana do próby zwiększenia znaczenia, tak jak w przypadku składników pierwszego i czwartego, gdzie po połączeniu obniża wartość P, co sugeruje wyższe znaczenie. Wykresy te pokazują niezależne wykresy słupkowe i wykresy rozrzutu wynikami Z przedmiotu wyprowadzenia tylko pierwszego składnika i głównego składnika cztery. Pierwszy podstawowy składnik w znacznym stopniu odróżnia pacjentów od grupy kontrolnej.

Podczas gdy czwarta pokazuje trend. Liniowe połączenie logistyczne głównego komponentu pierwszego i głównego komponentu czwartego poprawia dyskryminację. Jak wskazano wcześniej, połączony wzór wykazuje idealną separację przy progu Z-score wynoszącym 0,9.

Połączenie głównego komponentu trzeciego wskazuje na nieznacznie zwiększoną dyskryminację w porównaniu z kombinacją jednego i czterech, ale wszystkie cztery główne komponenty nie poprawiły dyskryminacji danych ze względu na zdolność zasady do niedyskryminacji. Składnik. Przedstawiono tu dwa, prospektywne oceny wyników wzorców dla pierwszego składnika głównego oraz połączone wzorce głównych składników pierwszego i czterech głównych składników jeden, trzy i cztery oraz głównych składników 1, 2, 3 i czterech dla 22 zdrowych osób z grupy kontrolnej i 22 pacjentów z PD. Obszar pod wartościami krzywej i czułość wydają się zmniejszać dla więcej niż dwóch połączonych składowych głównych.

Podczas gdy wartości P mają tendencję do stawania się mniej solidnymi, nieznaczną poprawę odnotowano dla PC one four w porównaniu z samym PC One w wartościach UC i P. W przeciwieństwie do istotnej różnicy przewidywanej w próbie pochodnej. Gdy skany od pacjentów z chorobą i osób kontrolnych są wymagane w celu identyfikacji i walidacji realistycznych i ważnych wzorców choroby, staje się to prostą procedurą przy użyciu tego algorytmu Po zidentyfikowaniu i walidacji wzorców choroby można zastosować inne metody, takie jak analiza korelacji wyników pacjentów z niezależnymi pomiarami klinicznymi, aby odpowiedzieć na dodatkowe pytania.

Na przykład, czy biomarker obrazowania odzwierciedla motoryczne lub poznawcze objawy choroby lub czy ekspresja wzorców chorobowych może pomóc w rozróżnieniu między różnymi stanami, które dają podobne objawy w trudnych do zdiagnozowania przypadkach klinicznych. Nie zapominaj, że tej procedury nie można bezpośrednio zastosować do danych funkcjonalnego MRI szeregów czasowych ze względu na dynamiczne wahania odpowiedzi i niski stosunek sygnału do szumu związany z sygnałami FMRI.