Name: Fundamentos da Análise Multivariada em Dados de neuroimagem (Vídeo) | JoVE Journal
Uploaded: 2010-07-24T17:00:00.000+00:00
Duration: 6 min 35 s
Description: Aprenda análise multivariada de neuroimagem usando PCA e análise discriminante linear em dados de PET FDG. Este método computacional melhora o diagnóstico de Alzheimer com melhor generalização para amostras independentes.

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

O autor é grato pelo NIH apoio financeiro: NIH / NIBIB 5R01EB006204-03 abordagens à análise multivariada de neuroimagem NIH / NIA Detecção AD-02 5R01AG026114 precoce com ASL MRI e Análise de Covariância ADNI: dados de imagem foi fornecido por Doença de Alzheimer Neuroimagem Initiative (ADNI) (NIH U01AG024904). Coleta de dados e compartilhamento para este projeto foi financiado pela Neuroimagem da doença de Alzheimer Initiative (ADNI) (National Institutes of Health Grant AG024904 U01). ADNI é financiado pelo Instituto Nacional do Envelhecimento, do Instituto Nacional de Imagem Biomédica e Bioengenharia, e através de generosas contribuições a partir do seguinte: Abbott, AstraZeneca AB, a Bayer Schering Pharma AG, Bristol-Myers Squibb, Eisai Desenvolvimento Clínico Global, Elan Corporation, Genentech, a GE Healthcare, GlaxoSmithKline, Innogenetics, Johnson e Johnson, Eli Lilly and Co., Medpace, Inc., Merck e Co., Inc., Novartis AG, Pfizer Inc, F. Hoffman-La Roche, Schering-Plough, Synarc , Inc., e Wyeth, bem como sem fins lucrativos parceiros a Associação de Alzheimer e da droga de Alzheimer Descoberta Foundation, com a participação da Food and Drug Administration EUA. Contribuições do setor privado para ADNI são facilitados pela Fundação para o National Institutes of Health ( <a href="http://www.fnih.org">http://www.fnih.org</a> ). A organização beneficiária é a Califórnia do Norte Instituto de Pesquisa e Educação, bem como o estudo é coordenado pelo Estudo da Doença de Alzheimer Cooperativa da Universidade da Califórnia, San Diego. ADNI dados são divulgados pelo Laboratório de Imagem Neuro da Universidade da Califórnia, em Los Angeles. Esta pesquisa também foi apoiado pelo NIH concede P30 AG010129, K01 AG030514, ea Fundação Dana.

<ol><li> Para dar uma visão geral conceitual de análise multivariada, podemos imaginar um situação muito simples: um conjunto de dados hipotéticos para 50 participantes humanos, onde apenas três regiões, representadas por voxels (pixels = 3-dimensional na Figura 1) no cérebro foram medidos. (Inserir Figura 1 aqui, leia legenda como voz sobre.) </li><li> O objetivo geral da análise multivariada é identificar as principais fontes de variância nos dados, e então descrever os efeitos de maior interesse nos dados em termos destas fontes de variação. A Figura 2 mostra um exemplo simplista. (Inserir Figura 2 aqui, leia legenda como voz sobre.) </li><li> Vamos agora aplicar a análise univariada e multivariada a um conjunto de dados clínicos. Baixamos FDG-PET em repouso por 95 primeiros doentes de Alzheimer e 102 controles pareados por idade a partir do site de Neuroimagem da doença de Alzheimer Initiative (http://www.loni.ucla.edu/ADNI/). Nós escolhidos aleatoriamente 20 exames de pacientes e controles e os designou como nossa amostra de derivação. Os restantes 75 e 82 exames, respectivamente, constituem nossa amostra de replicação. Univariada e multivariada doença de Alzheimer (AD) marcadores agora serão obtidos na amostra de derivação, e sua eficácia diagnóstica testada na amostra de replicação. </li><li> Para o marcador univariada, contraste de 20 scans AD com os 20 controles scans na amostra de derivação e escolher o local do cérebro que mostra a maior diminuição do sinal de PET nos pacientes AD como mostrado por uma T-teste. Para testar a eficácia diagnóstica da região, vamos verificar os dados na amostra de replicação nesse local e traçar o seu sinal de PET em função do estado da doença. </li><li> Multivariada para o marcador, primeiro executar um PCA na combinados 40 scans na amostra de derivação, e então construir um padrão de covariância dos 5 primeiros Componentes Principais cujo tema escala fator mostra uma diferença máxima média entre pacientes com DA e controles saudáveis. (Detalhes podem ser encontrados nestes documentos representativos 2.) O padrão de covariância de diagnóstico obtido formar a amostra de derivação é, então, prospectivamente aplicados à amostra de replicação. Os fatores de escala resultantes assunto são plotados em função do estado da doença. </li><li> Para fornecer uma comparação mais geral de abordagens univariada e multivariada a partir do passo 4 e 5, realizamos um "split sample" de simulação e repetir as duas etapas de 1.000 vezes em dados resampled, cada vez formando uma amostra de derivação 20/20 e 75/82 uma replicação de pacientes com DA e controles saudáveis ​​de novo. Marcadores de doenças univariada e multivariada são computados a partir da amostra de derivação e do limiar de decisão é definida de tal forma que, no máximo, um controle saudável é erroneamente classificada como AD (especificidade = 95%). Os marcadores da doença com seus limites de decisão específica são, então, prospectivamente aplicado às amostras de replicação. As taxas de classificação de erro na amostra de replicação são registrados para todas as iterações de reamostragem. </li></ol> Resultados representante Desempenho univariada Os resultados podem ser vistos em detalhe na Figura 3. A área de maior déficit FDG AD-relacionada foi encontrada no giro super-temporal, área de Brodmann 38. A área sob a curva ROC-alcançado foi AUC = 0,90. A generalização deste contraste com a amostra de replicação foi muito bom, com uma área sob a curva ROC da AUC = 0,84. Desempenho multivariada Os resultados podem ser vistos em detalhe na Figura 4. Áreas com cargas positivas, sugerindo uma relativa preservação do sinal em face da doença foram encontrados no cerebelo, enquanto a perda de sinal associadas foi encontrada nas áreas parietotemporal e frontal, eo giro do cíngulo posterior. As áreas sob as curvas ROC-em ambos os derivação e replicação de amostras foram ligeiramente melhor do que o marcador univariada em 0,96 e 0,88, respectivamente. Divisão da amostra de simulações Os resultados podem ser vistos em detalhe na Figura 5. A figura mostra que o marcador multivariada dá melhor replicação do desempenho diagnóstico do que o marcador univariada. A taxa de erro médio total para o marcador multivariada é 0,203, enquanto que para o marcador univariada é 0,307. <img src="/files/ftp_upload/1988/1988fig1.jpg" alt="Figura 1" data-altupdatedat="1787634011000" data-alt="Figura 1"> . Figura 1 Esta simples figura descreve a diferença entre univariada e multivariada estratégias analíticas: uma hipotética 3-dimensional conjunto de dados é exibido nesta ilustração. No lado esquerdo, não há correlação entre as 3 variáveis ​​plotadas. No lado direito, em contraste, pode-se ver uma importante fonte de variação, indicando uma correlação positiva entre os três voxels. A análise univariada que acabamos de considerar os valores médios em uma base voxel-a-voxel não poderia dizer qualquer diferença entre estes dois cenários. Análise multivariada, ao contrário, identifica as principais fontes de Variance nos dados (seta vermelha), antes de prosseguir para a construção de padrões de ativação neural forma essas fontes. <img src="/files/ftp_upload/1988/1988fig2.jpg" alt="Figura 2" data-altupdatedat="1787634011000" data-alt="Figura 2"> Figura 2. Este slide mostra de forma simplificada a realização de base de qualquer análise multivariada em neuroimagem de dados. A matriz de dados Y (s, x), que depende de um índice de assuntos s, e um voxel índice x, indicando a localização do voxel no cérebro, é decomposto em uma soma de vários termos. Primeiro, um produto de uma pontuação fator puramente sujeito-dependente, ssf (s), e um padrão de covariância puramente voxel-dependente, v (x). Ativação, segundo que não pode ser explicada pelo padrão de covariância é capturado em um termo de ruído e sujeito-voxel-dependente, e (s, x). Os dois gráficos abaixo a equação dar um exemplo do fator de escala do padrão de assunto e covariância. Cada participante manifesta o padrão de covariância, apenas para um grau diferente, como mostrado pela pontuação fator assunto. Ao invés de ter que manter o controle do comportamento a cada voxel, separadamente, o padrão de covariância e sua expressão assunto fornecer um resumo parcimoniosa de a principal fonte de variação. Com o aumento da escala assunto fator de magnitude, as áreas indicadas em azul no padrão de covariância diminuir sua ativação associados, enquanto as áreas indicadas em vermelho, simultaneamente, aumentar sua ativação associados. A pontuação fator assunto pode ser correlacionado com variáveis ​​externas de interesse, como idade de assunto ou o desempenho em uma tarefa comportamental cognitiva, e sem correção para comparações múltiplas tem de ser aplicado a esta correlação. Várias técnicas para a decomposição existem, mas o mais comum é a Análise de Componentes Principais (PCA). Esta é a técnica de escolha para nós. Note-se que fatores de escala assunto podem ser obtidas projetando o padrão de covariância em qualquer conjunto de dados de dimensionalidade igual, e não apenas definir os dados que produziu o padrão de covariância, em primeiro lugar. Isso faz com que padrões adequados de covariância para testar se o cérebro-comportamentais relacionamentos que foram observados em um conjunto de dados pode ser replicado em um conjunto de dados diferentes. <img src="/files/ftp_upload/1988/1988fig3.jpg" alt="Figura 3" data-altupdatedat="1787634011000" data-alt="Figura 3"> Figura 3. Esta figura mostra o resultado da análise univariada. Na parte inferior do painel esquerdo, os valores de sinal FDG são traçados para a área que apresenta o maior déficit AD-relacionados na amostra de derivação. Coordena a sua MNI são X = 2 mm, Y = mm -48, Z = 30mm (precuneus / PCG, Brodmann Área 31). O painel inferior direito mostra o sinal de FDG neste local muito na amostra de replicação. Pode-se apreciar que as diferenças entre os pacientes FDG AD e controles na amostra de replicação, ao mesmo tempo global significativo, são reduzidos com a sobreposição mais entre os grupos. <img src="/files/ftp_upload/1988/1988fig4.jpg" alt="Figura 4" data-altupdatedat="1787634011000" data-alt="Figura 4"> Figura 4. Esta figura mostra os resultados da análise multivariada. No painel superior, apresentamos vários cortes axiais que mostram significativamente positiva e negativamente áreas ponderada (p &lt;0,001) no padrão de covariância em vermelho e azul, respectivamente. Note que nós escalado cada varredura pelo seu valor médio global, de modo cores vermelho e azul indicam aumentos relativos e absolutos, em vez de sinal e diminui a PET com a gravidade da doença. Áreas vermelhas, assim, alusão a relativa preservação em face da doença, enquanto o azul indica uma perda de sinal como uma conseqüência da doença. Áreas vermelhas são encontradas principalmente no cerebelo, enquanto que as áreas azuis aparecem no giro do cíngulo posterior, regiões parietotemporal e frontal. Painel inferior esquerdo: os escores fatoriais assunto do padrão de covariância AD-relacionados são exibidos na amostra de derivação. Escores mais altos assunto são encontrados para os pacientes AD. Painel inferior direito: os escores fatoriais assunto resultante da aplicação prospectiva do padrão de covariância AD-relacionados com a amostra de replicação são plotados aqui. Pode-se apreciar um ligeiro agravamento do contraste de diagnóstico com sobreposição aumento na amostra de replicação, mas a generalização da eficácia diagnóstica é visivelmente melhor do que no caso univariado. <img src="/files/ftp_upload/1988/1988fig5.jpg" alt="Figura 5" data-altupdatedat="1787634011000" data-alt="Figura 5"> Figura 5. Esta figura mostra os resultados da divisão da amostra 1.000 simulações. Listados são médias e desvios-padrão dos univariada e multivariada taxas de erro de diagnóstico nas amostras de replicação. Pode-se apreciar que a generalização do marcador multivariada de desempenho é consideravelmente melhor, embora um pouco mais variável do que o univariada marcador.

<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>

Não há conflitos de interesse declarados.

Esperamos ter dado o espectador um sabor das noções básicas de análise multivariada; espectadores interessados ​​são encorajados a verificar o nosso website. A poucas opções para os parâmetros na análise multivariada foram feitas, que pode ser sujeita a debate um debate considerável. Não poupamos a discussão dessas questões neste artigo para evitar a distração das questões mais importantes. Primeiro, nós escolhemos os 6 primeiros componentes principais para construir o nosso padrão de covariância AD-relacionados. Existem razões teóricas para essa escolha que nós não discutimos 4. A escolha particular de seis componentes principais que não é crítico para o nosso argumento: um pode escolher no intervalo de 2-20 PCs e ainda obter um desempenho superior de generalização do marcador multivariada nas simulações divisão da amostra. Os resultados são igualmente robusta em relação à escolha de números de indivíduos em derivação e replicação de amostras. Escolhemos 20 indivíduos de ambos os grupos na amostra de replicação, mas esta era puramente por conveniência matemática para acelerar os cálculos. Nossos resultados sobre os méritos relativos de ambas as técnicas iria realizar da mesma forma se o número de sujeitos na amostra de derivação foram aumentadas. Em segundo lugar, nós só apresentou o tipo mais básico de análise multivariada. Complicação considerável com técnicas emprestadas da literatura de aprendizagem de máquina, transformações lineares e não-linear antes da PCA, e várias outras rugas são viáveis ​​que poderiam melhorar o desempenho de generalização ainda mais. Para simplificar, não toquei nessas possibilidades neste artigo.

fundamentos da análise multivariada em dados de neuroimagem

Basics of Multivariate Analysis in Neuroimaging Data

Técnicas de análise multivariada para dados de neuroimagem foram recentemente alvo de atenção crescente, pois têm muitas características atraentes que não pode ser facilmente realizado pelo univariada mais comumente utilizados, baseada em voxel, técnicas<sup&gt; 1,5,6,7,8,9</sup&gt;. Abordagens multivariada avaliar correlação / covariância de ativação em regiões do cérebro, ao invés de prosseguir em uma base voxel-a-voxel. Assim, seus resultados podem ser mais facilmente interpretado como uma assinatura de redes neurais. Abordagens univariada, por outro lado, não pode tratar diretamente de correlação inter-regional no cérebro. Abordagens multivariadas também pode resultar em maior poder estatístico, quando comparado com as técnicas de análise univariada, que são forçados a empregar muito rigorosos para correções baseada em voxel comparações múltiplas. Além disso, técnicas de análise multivariada também se prestam muito melhor aplicação prospectiva dos resultados da análise de um conjunto de dados para conjuntos de dados completamente novo. Técnicas multivariadas são, portanto, bem posicionada para fornecer informações sobre as diferenças médias e correlações com o comportamento, de forma semelhante às abordagens univariada, com potencialmente maior poder estatístico e verifica melhor reprodutibilidade. Em contraste com estas vantagens é a alta barreira de entrada para o uso de abordagens multivariadas, que impeça a aplicação mais difundida na comunidade. Para o neurocientista se familiarizar com técnicas de análise multivariada, um levantamento inicial do campo pode apresentar uma variedade desconcertante de abordagens que, apesar de algoritmos similares, são apresentados com ênfases diferentes, geralmente por pessoas com backgrounds matemática. Acreditamos que as técnicas de análise multivariada têm potencial suficiente para justificar uma melhor divulgação. Pesquisadores devem ser capazes de empregá-los de uma forma informada e acessível. O presente artigo é uma tentativa de uma introdução didática de técnicas de análise multivariada para os novatos. Uma introdução conceitual é seguido com uma aplicação muito simples para um conjunto de dados de diagnóstico de Doença de Alzheimer s Neuroimagem Initiative (ADNI), demonstrando claramente o desempenho superior da abordagem multivariada.

O presente artigo descreve os conceitos básicos de análise multivariada e contrasta-lo para o mais comumente utilizado a análise baseada em voxel univariada. Ambos os tipos de análise são aplicadas a um conjunto de dados clínico-neurociência. Complementares das metades simulações mostram melhor replicação dos resultados multivariada em conjuntos de dados independentes.

Fundamentos da Análise Multivariada em Dados de neuroimagem

As técnicas de análise multivariada para dados de neuroimagem têm recebido cada vez mais atenção recentemente, pois possuem muitas características atraentes que não podem ser...

Este vídeo demonstra e compara técnicas de análise multivariada e univariada para dados de neuroimagem com aplicações no diagnóstico da doença de Alzheimer. Primeiro, a atividade cerebral de 20 pacientes com Alzheimer precoce é contrastada com a de 20 controles saudáveis pareados por idade para a análise univariada. O SPM é utilizado para identificar a região cerebral que apresenta o maior déficit relativo no sinal de PET com FDG nos pacientes com Alzheimer em comparação com os indivíduos controle.Para a análise multivariada, utiliza-se a análise de componentes principais com análise discriminante linear para derivar os marcadores. Os resultados indicam que o marcador multivariado oferece um desempenho diagnóstico melhor do que o marcador univariado e apresenta generalização superior a dados independentes. Olá, sou Christian Halbeck do Instituto TA do Departamento de Neurologia do Centro Médico da Universidade Columbia. Hoje mostraremos a você um exemplo de análise de dados multivariados de dados de neuroimagem.Utilizamos este procedimento em nosso laboratório para estudar a melhor forma de detectar o estágio inicial da doença de Alzheimer a partir de dados de neuroimagem. Vamos começar. Iniciaremos com uma visão conceitual da análise multivariada de dados de neuroimagem.As abordagens multivariadas avaliam a correlação de atividade entre regiões cerebrais, em vez de proceder com base em voxel a voxel, como é feito na análise univariada. Por exemplo, podemos imaginar um conjunto de dados hipotético simples de 50 participantes humanos no qual apenas três regiões, denotadas como voxels no cérebro, foram medidas. O objetivo geral da análise multivariada é identificar as principais fontes de variância nos dados e, em seguida, descrever os principais efeitos de interesse nos dados.Em termos dessas fontes de variantes, a análise univariada não leva em consideração a correlação entre os vóxeis. Ambos os painéis mostrados aqui seriam tratados de maneira idêntica pela análise univariada, independentemente de haver ou não correlação entre os vóxeis. Neste vídeo, o procedimento de análise para as abordagens univariada e multivariada será demonstrado em um conjunto de dados clínicos contendo exames de PET com FTG em repouso de 95 pacientes com Alzheimer precoce ou DA e 102 controles saudáveis pareados (H), sendo que, dentre todas as imagens cerebrais, 20 foram selecionadas aleatoriamente, tanto entre os pacientes quanto entre os controles, para compor a amostra de derivação.As 75 e 82 varreduras restantes constituem, respectivamente, a amostra de replicação. Agora vamos ver como aplicar análises univariada e multivariada a este conjunto de dados. Começando com a abordagem univariada, obtenha o marcador de doença de Alzheimer Univar utilizando o software SPM. Para contrastar as 20 varreduras de DA com as 20 varreduras de controle na amostra de derivação, selecione a localização cerebral que mostra a maior diminuição no sinal de PET nos pacientes com DA em comparação com os controles.Utilizando um teste T para testar a eficácia diagnóstica desta região, verifique os dados na amostra de replicação para esta mesma região cerebral e plote seu sinal de PET em função do estado da doença. Em seguida, obtenha o marcador multivariado. Uma caixa de ferramentas personalizada do MATLAB disponível on-line é utilizada para a análise multivariada usando a caixa de ferramentas personalizada do MATLAB.Realize uma análise de componentes principais ou PCA nos 40 exames combinados da amostra de derivação. Em seguida, construa um padrão Covance a partir dos seis primeiros componentes principais cuja pontuação dos indivíduos mostre a diferença média máxima entre 80 pacientes e controles saudáveis. Uma vez obtido o padrão diagnóstico Covance a partir da amostra de derivação, aplique-o à amostra de replicação, represente graficamente as pontuações resultantes dos indivíduos em função do estado da doença e compare o desempenho nas duas amostras.Para fornecer uma comparação mais geral das abordagens univariada e multivariada, realize uma simulação com divisão da amostra e repita os passos anteriores 1000 vezes em dados reamostrados, criando a cada vez uma amostra de derivação com 20 pacientes e 20 controles saudáveis e uma replicação com 75 a 82 pacientes e 80 controles saudáveis, formadas novamente a cada iteração. Simulações com divisão da amostra são comuns em pesquisas metodológicas, pois oferecem um teste simples dos marcadores derivados na amostra de derivação ao registrar seus erros de predição na amostra de replicação. Calcule marcadores de doença univariados e multivariados a partir da amostra de derivação e defina o limiar de decisão de modo que no máximo um controle saudável seja classificado incorretamente como doente, o que corresponde a uma especificidade de 95%. Finalmente, aplique os marcadores de doença com seus limiares de decisão específicos às amostras de replicação e registre as taxas de erro de classificação na amostra de replicação para todas as iterações de reamostragem. Agora analisaremos os resultados das análises univariada e multivariada e das simulações com divisão da amostra.Para a análise da área univ. A área do maior déficit de FDG relacionado ao vício foi encontrada no precúneo, área de Brodmann 31. A área sob a curva rock alcançada foi de 0,90.A generalização desse contraste para a amostra de replicação foi bastante boa, com uma área sob a curva ROC de 0,84 para a análise multivariada. Áreas com cargas positivas sugerem uma preservação relativa do sinal diante da doença, observada no cerebelo, enquanto perda de sinal associada foi encontrada nas regiões parietotemporal e frontal e no giro do cíngulo posterior. As áreas sob as curvas ROC nas amostras de derivação e replicação foram ligeiramente melhores do que a do marcador univariado, com valores de 0,96 e 0,88, respectivamente. A partir das taxas totais de erro de classificação registradas nas 1000 simulações com amostras divididas, podemos constatar que o marcador multivariado apresenta melhor replicação do desempenho diagnóstico do que o marcador univariado. Acabamos de mostrar como aplicar a análise multivariada ao problema diagnóstico de Alzheimer em exames de tomografia por emissão de pósitrons com Ft.G.Todos os dados estão publicamente disponíveis no site da Iniciativa de Neuroimagem da Doença de Alzheimer. Ao realizar este procedimento com dados reais, é importante lembrar que as etapas habituais de controle de qualidade já foram aplicadas previamente. Nenhuma análise pode fazer milagres com dados de baixa qualidade.É isso aí. Obrigado por assistir e boa sorte com a sua análise.

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

Research

JoVE Journal

Neuroscience

Neurociência

Análise de padrão clássico multivariada prevê estímulos sensoriais um sujeito percebe da atividade neural no córtex correspondente (por exemplo, estímulos visuais da atividade no córtex visual). Aqui, nós aplicamos análise de padrões de cross-modal e mostrar que o som e toque implicando estímulos visuais pode ser previsto a partir de atividade no córtex auditivo e somatossensorial, respectivamente.

Cross-modal de Análise de Padrões multivariada

Nós descrevemos uma nova abordagem para a análise simultânea da função cerebral e estrutura usando ressonância magnética (MRI). Avaliamos a estrutura do cérebro com imagens ponderada em difusão de alta resolução e de matéria-branco tratografia fibra. Ao contrário do padrão estrutural de ressonância magnética, estas técnicas permitem-nos relacionar diretamente conectividade anatômica a propriedades funcionais de redes cerebrais.

Co-análise de estrutura e função cerebral usando ressonância magnética funcional e imagem ponderada em difusão

Técnicas de análise multivariada, incluindo a análise de componentes principais (PCA) foram usados ​​para identificar padrões de assinatura de mudança regional de imagens funcionais do cérebro. Nós desenvolvemos um algoritmo para identificar biomarcadores rede reprodutíveis para o diagnóstico de doenças neurodegenerativas, a avaliação da progressão da doença, e a avaliação objectiva do efeito do tratamento na população de doentes.

Identificação de doenças relacionadas com padrões de covariância espacial utilizando dados de neuroimagem

A conectividade informacional mede a correspondência entre os cursos de tempo de informações multivoxel em diferentes regiões do cérebro. As séries temporais de discriminabilidade de padrões multivoxel são extraídas de regiões e comparadas, revelando redes que não são identificadas em uma abordagem típica de conectividade funcional.

Usando Informativa Conectividade medir o Emergence Synchronous de fMRI Multi-voxel Informações Across Time

A Rede Padrão Mode (DMN) em Epilepsia do Lobo Temporal (ELT) é analisada no estado de descanso do cérebro usando a conectividade funcional à base de semente de MRI (fcMRI).

Análise de Redes da rede de modo padrão Usando Funcional Conectividade RM em Epilepsia do Lobo Temporal

As técnicas padrão de análise do EEG oferecem uma visão limitada da função do sistema nervoso. Derivar modelos estatísticos de conectividade cortical oferece capacidade muito maior para investigar a dinâmica de rede subjacente. A avaliação funcional melhorada abre novas possibilidades de diagnóstico, prognóstico e previsão de resultados em doenças do sistema nervoso.

Modelagem estatística da conectividade cortical usando eletroencefalogramas não invasivos

Trata-se de um estudo de ressonância magnética 3T com o objetivo de investigar diferenças de volume de matéria cinzenta entre pacientes com psicose induzida pela cannabis e usuários não psicóticos de cannabis crônica.

Morfologia cerebral de usuários de cannabis com ou sem psicose: um estudo piloto de ressonância magnética

Apesar do papel crucial do plexo coroide no cérebro, estudos de neuroimagem dessa estrutura são escassos devido à falta de ferramentas confiáveis de segmentação automatizada. O presente protocolo visa garantir a segmentação manual padrão-ouro do plexo coroide que possa subsidiar futuros estudos de neuroimagem.

Segmentação Manual do Plexo Coroide Humano Utilizando RM Cerebral

Apresentamos um protocolo para explorar os correlatos neurais de uma tarefa de regulação emocional cognitiva, ou seja, reavaliação cognitiva, usando ressonância magnética funcional. Este protocolo foi utilizado em pacientes com transtorno obsessivo-compulsivo e controles saudáveis, mas também pode ser utilizado em outras amostras clínicas.

Explorando os correlatos neurais da reavaliação cognitiva no transtorno obsessivo-compulsivo usando ressonância magnética funcional baseada em tarefas

Uma técnica é descrita para amplamente abertura da barreira sangue-cérebro no ratinho usando microbolhas e ultra-som. Usando esta técnica, o manganês pode ser administrada para o cérebro do rato. Porque o manganês é um agente de contraste para IRM que se acumula nos neurónios despolarizadas, esta abordagem permite imagiologia de actividade neuronal.

Neuroimagem Funcional Usando rompimento da barreira hemato-encefálica ultra-sônico e Manganês-RM

Aprenda análise multivariada de neuroimagem usando PCA e análise discriminante linear em dados de PET FDG. Este método computacional melhora o diagnóstico de Alzheimer com melhor generalização para amostras independentes.

Fundamentos da Análise Multivariada em Dados de neuroimagem

Explorar mais vídeos