Method Article

Идентификация связанных с болезнью пространственных структур Ковариационные использованием нейровизуализации данных

DOI:

10.3791/50319

⸱

June 26th, 2013

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

In This Article

Summary

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

Многомерная методов, включая анализ главных компонент (РСА), которые были использованы для выявления шаблонов подписи региональных изменений в функциональных изображений мозга. Мы разработали алгоритм для определения воспроизводимых биомаркеров сеть для диагностики нейродегенеративных расстройств, оценки прогрессирования заболевания и объективной оценки эффектов лечения в популяции пациентов.

Abstract

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

Масштабная модель подпрофиль (SSM) 1-4 является многомерной СПС на основе алгоритма, который определяет основные источники изменчивости в пациентов и контрольной группы данных изображений мозга, отвергая при этом меньшие компоненты (рис. 1). Наносится непосредственно на воксел за воксел ковариация данных стационарного комплексного изображения, целую группу изображений набор может быть сокращен до нескольких значительных линейно независимых ковариационной модели и соответствующей оценки предмета. Каждый шаблон, называемый группой инвариантной подпрофиль (ГИС), является ортогональным главный компонент, который представляет пространственно распределенной сети функционально взаимосвязанных областях головного мозга. Большой эффект глобального среднего скалярного, которые могут мешать просмотру мелких сетей вклада конкретных удаляются присущего логарифмические преобразования и среднее центрирование данных 2,5,6. Субъекты выразить каждую из этих моделей в различной степени представлен простым Оценка скалярного, что может коррелировать с независимыми Clinческих или психометрического дескрипторов 7,8. Использование логистического регрессионного анализа субъекта оценки (т.е. значения выражению), линейные коэффициенты могут быть получены для объединения нескольких основных компонентов в одной болезни связанные пространственные структуры ковариационной, т.е. композитных сетях с улучшенной дискриминацией больных от здоровых субъектов управления 5,6. Перекрестная проверка в выводе набор может быть выполнена с использованием методов загрузки передискретизации 9. Вперед проверки легко подтверждается прямой оценки Оценка производных моделей в перспективных наборов данных 10. После завершения проверки, связанных с болезнью шаблоны могут быть использованы, чтобы выиграть отдельных пациентов с относительно фиксированной эталонного образца, часто множества здоровых субъектов, который был использован (с болезнью группу) при выводе шаблона 11. Эти стандартизированные значения в свою очередь может использоваться для оказания помощи в дифференциальной диагностике 12,13 и оценить болезнипрогрессии и эффект лечения на сетевом уровне 7,14-16. Приведем пример применения этой методологии ФДГ ПЭТ данные пациентов с болезнью Паркинсона и нормального управления с помощью нашего собственного программного обеспечения для получения характерного биомаркеров ковариационная модель заболевания.

Introduction

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

Нейродегенеративных расстройств были тщательно изучены с использованием методов, которые локализуются и количественно нарушения метаболизма мозга, а также не-умозаключений, которые изучают методы региональных взаимодействий 17. Управляемые данными многомерной аналитической стратегии, такие как анализ главных компонент (РСА) 1,2,4,18 и независимого анализа компонент (ICA) 19,20, а также контролируемой методы, такие как частичных наименьших квадратов (PLS) 21 и порядковый тенденции канонический переменными анализа (ОРТ / CVA) 22 может выявить характерные модели или "сети" взаимосвязанных деятельности. Основы многомерного процедур, особенно масштабированные модели подпрофиль (SSM) 1,2,4-6,18 были ранее описаны в JoVE 3. Это PCA подход был первоначально разработан для изучения функционального ненормальные отношения ковариация между областями мозга в стационарных отдельных изображений объема мозгового кровотока и обмена веществ ACQuired в состоянии покоя таких моделей, как ПЭТ и ОФЭКТ, которые демонстрируют высокое отношение сигнал-шум характеристик. Конкретным болезням моделей SSM являются изображениями биомаркеров, которые отражают общие различия в региональных топографии у пациентов по сравнению с нормальными субъектами 7,16 и могут отражать единый процесс сети или ассимиляции многих комплексных ненормальной функции 23. Метаболические сети ковариационная модель мозга, связанные с выражением значения (с учетом оценки), которые могут различать нормальные и группам заболеваний и обеспечивают сетевую меры, которые коррелируют с клинической оценки тяжести заболевания. Обычно, тема оценки для таких моделей увеличится с прогрессированием заболевания и даже может быть выражено до появления симптомов 14,24. Действительно, связанных с болезнью биомаркеров сети были охарактеризованы для нейродегенеративных расстройств, таких как болезнь Паркинсона, 10 (PD), болезнь Хантингтона 25 (HD), и болезни Альцгеймера восемь (AD). Важно отметить, что связанные с болезнью топографии метаболических были также определены для атипичного паркинсонизма двигательные расстройства, такие как множественная системная атрофия (MSA) и прогрессирующий супрануклеарный паралич (PSP). Эти модели были использованы в концерте для дифференциальной диагностики лиц с клинически подобные "Двойник" синдромы 12,13,26.

В отличие от типичных МРТ воксел основе одномерных методов оценки значимости различий между пациентами и управления в изолированных кластеров мозга. В последнее время были разработаны методы для измерения функционального взаимодействия между различные определения областей мозга 27-29. Это определение функциональной связности ограничен темам и регионам специфических взаимодействий и отличается от оригинального SSM / СПС понятие, обозначающее поперечного сечения внутренней взаимосвязанности пространственно распределенной сети мозга регионах 1,2,23,30. В своих интересах, МРТ платформповторно легко устанавливается, широко доступным, неинвазивным и обычно требуют короткого времени сканирования, чем традиционные методы радиоактивного изображений, таких как ПЭТ или ОФЭКТ в результате подъема потенциальных методологии, описанные в современной литературе. Тем не менее, в результате нестационарных сигналов МРТ обеспечивают косвенные меры местных нейронной активности 31,32. Обычно сложные аналитические алгоритмы, используемые были ограничены больших размеров наборов данных, физиологические шумы присущие МРТ сигналов, а также высокой изменчивости в мозговой деятельности, которая существует между субъектами и регионами 19,23. Хотя интересную информацию относительно организации мозга могут быть выведены из свойств МРТ "сети", они не были достаточно стабильны для использования в качестве надежных биомаркеров заболевания. Кроме того, в результате топологии сети не обязательно являются эквивалентными тем, которые указаны функциональным использованием установленных методик визуализации, такие как SSM / СПС. Для йэлектронной большей части, строгий перекрестная проверка полученной топологии МРТ не хватало с немногих примеров успешного вперед применения полученных закономерностей в данных перспективных сканирование из единичных случаях.

Преимущество анализа ковариационной PCA заключается в его способности определить наиболее значительные источники данных изменений в первые несколько главных компонент, но это неэффективно, если видные собственные векторы представляют случайные факторы шума, а не фактические внутренние отклика сети. Выбрав только несколько первых собственных векторов и ограничения для тех, которые показывают существенные различия в сравнении с нормальным пациентом оценки контроля, мы значительно уменьшить влияние шума элементов. Однако для основной подход, описанный здесь, эти меры могут оказаться недостаточными для получения надежных оценок в типичный набор данных МРТ, за исключением условия описаны ниже.

Таким образом, из-за стабильное прямую связь региональных гlucose метаболизма и синаптической активности 33, эта методика была применена в первую очередь для анализа состояния покоя ФДГ ПЭТ данных. Однако, учитывая, что мозговой кровоток (CBF) тесно связан с метаболической активности в состоянии покоя 10,11,34, 35,36 ОФЭКТ и совсем недавно артериальной спина маркировки (ASL) МРТ перфузии методы 37,38, были использованы для оценки метаболической активности ненормальное в отдельных случаях. Тем не менее, вывод надежные пространственные структуры ковариационной с отдыха МРТ состояние (rsfMRI) является как отмечалось ранее не проста 31,32. Тем не менее, предварительные SSM / СПС анализ данных rsfMRI от пациентов с БП и группой контроля выявило некоторые топографические гомологии между заболеванием моделей определены с помощью двух методов, ПЭТ и амплитуды низкочастотных колебаний (Alff) смелых МРТ 39,40 . Наконец, мы также отмечаем, что этот подход был успешно применен в воксел основе морфометрии (ВБМ) структурные данные МРТ 41,42, выявление отличительных пространственные структуры ковариационной связанные с возрастными объема убытка и в дальнейшее сравнение ВБМ и ASL шаблонов аналогичным предметам 43. Отношения между SSM / СПС пространственной топологии ковариации и аналогичных сетях мозга, установленным с использованием различных аналитических подходов и визуализации платформ является предметом ведущегося расследования.

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

Protocol

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

1. Сбор и первичная обработка

  1. SSM / PCA метод может быть применен к объему отдельных изображений, полученных из различных источников и способов. В частности, на месте ПЭТ обмена веществ, подготовить подходящую Tracer радионуклидов, таких как [18 F]-фтордезоксиглюкоза (ФДГ) и администрирования к каждому пациенту. Пациенты обычно сканируются в состоянии покоя с открытыми глазами, после быстро, по крайней мере 12 часов, от лекарств.
  2. Сканирование каждого субъекта для оценки индивидуальных или групповых. Для шаблона вывода, сканирования равное количество гендерные и возрастные соответствии больных и контроля.
  3. Передача данных на рабочей станции и конвертировать в нужный формат для анализа в вашей платформе. Наши окна на основе ПК программное обеспечение для анализа MATLAB (scanvp, ssm_pca, www.feinsteinneuroscience.org ) требует анализа или NIfTI формата изображений (Клиника Mayo, Рочестер, Миннесота). Она обеспечивает T процедура преобразованияО преобразовании GE Advance (Милуоки, Висконсин, США) сканера и других изображений формата АНАЛИЗИРОВАТЬ формате.
  4. Нормализация изображения каждого участника к общей стереотаксической пространстве (например, Монреальского неврологического института [MNI]) с помощью стандартного пакета программ нейровизуализации, таких как отображение статистической параметрической (SPM) ( http://www.fil.ion.ucl.ac.uk/spm ), так что имеется взаимно-однозначное соответствие из значений вокселов между субъектами (рис. 2). Маскировки ограничить анализ серые зоны вещества (рис. 3) и логарифмического преобразования описаны в последующих шагах.

2. Выполните многомерного SSM / СПС

Операции для многомерного SSM / PCA (рис. 4) может быть выполнен внешним программным обеспечением. Шаги расписаны ниже, отражают процедур, выполняемых по большей части автоматически, наши внутренние процедуры (рис. 5) (сканированиеVP / ssmpca, www.feinsteinneuroscience.org также доступна в панели инструментов ssm_pca SPM).

  1. Маска данных с использованием имеющихся изображений 0/1, чтобы удалить нежелательные области воксел пространстве, например, белого вещества и желудочков. Использование рутинных ssmpca, пользователю предоставляется возможность выбора по умолчанию или других внешних маски (рис. 3) или, чтобы программа автоматически создает маску, удаляя значения ниже, чем выбранный фиксированный процент данных максимально каждого субъекта. Индивидуальные маски предмет умножаются определить составной маски. Областей в маске определить общую ненулевой воксел пространства для анализа.
  2. Преобразование 3D масках каждого субъекта данных вокселя изображения в одну сплошную вектор-строку путем добавления последовательных линий сканирования с последовательными плоскостями (рис. 4а). Сформировать группы матрицы данных (D), так что данные каждого субъекта соответствует конкретному твл матрицы. Каждый столбец затем представляет определенный воксел по субъектам. В идеале, для вывода биомаркеров, матрица будет состоять из равного количества строк нормального контроля субъекта данных и данных заболеваний тему.
  3. Преобразование каждого ввода данных логарифмической форме.
  4. Центр матрицы данных путем вычитания каждой средней строки или предмет означать из ряда элементов. Среднее значение всех центру строки представляет собой характерную группу означает журнала изображение называется профилем средней группе (GMP, рис 4а). Вычесть колонке средствами, которые являются компонентами ГПМ с соответствующими элементами матрицы колонки. Каждая строка двойного центру матрицы представляет собой "остаточную" образ называется предмет остаточного профиля (SRP), элементы которого представляют собой отклонения от и субъект с и V группы воксел средств (рис. 4б).
    SRP SV = LoGD SV - с виду - GMP V
  5. Построить Subjт.д. за предмет ковариационной матрицы C композитного двойной центрированной матрицы данных путем вычисления ненормированного ковариация между каждой парой предмет I, J SRP из строк матрицы оценивается как произведение соответствующих элементов воксела просуммировать по всем вокселей у (4б) .
    C IJ = Σ V (IV SRP SRP х СП)
  6. Применить СПС на предмет по-субъект ковариационной матрицы C. Результаты будут набором собственных векторов теме Оценка связаны с собственными значениями. Вес каждого вектора умножением на квадратный корень из соответствующего собственного значения. Множество счет собственных векторов представлен столбцами полученной матрицы S на рисунке 4с.
  7. Voxel собственные векторы для того же набора собственных значений может быть определена путем применения СПС на по столбцам ковариационной матрицы или это альтернативное вычислительно менее требовательных процедурнойЮр изображено на (рис. 4в). Слева умножить полученную ранее оценку матрицы вектора на матрицу транспонировать SRP вывести массив P воксельных собственные картины в порядке убывания собственных значений (рис. 4в, рисунок 6, рисунок 7, а).
    P = SRP Т х S
    Каждый вектор-столбец представляет собой основной компонент (PC) шаблона изображения SSM / PCA анализа приписывают процентов от общей дисперсии составила (VAF), соответствующие относительные размеры ее собственному значению.

3. Вывод Pattern биомаркеров

  1. Изучить результаты предыдущего анализа, чтобы определить ПК модели, которые связаны с высокими значениями VAF. В нашей обычной, векторы воксел картины являются Z-преобразованы таким образом, что их значения представляют положительные и отрицательные стандартных отклонений от среднего значения. Затем они изменили в образ формата перед отображением (рис. 7а).
  2. В некоторых случаях узоры с известных региональных отклонений, связанных с болезнью можно визуально идентифицировать. Математическая формулировка рассматривает положительные и отрицательные формы производного ПК как эквивалентные решения в этом случае оба ПК и связанные с ними оценки можно умножить на минус один, чтобы соответствовать физически корректной интерпретации.
  3. Результаты соответствующие каждой модели ПК отображаются в виде гистограммы и диаграммы рассеяния (рис. 7). Дополнительный участок РПЦ могут быть созданы (рис. 7, г). Идентифицировать болезнь-специфический паттерн, обратите внимание на дифференциацию субъектов счетов между пациентами и контроля отражается р-значения соответствующих двум выборкам Т-тесты и АУК. Ограничить анализ этих компьютеров связано с высокой VAF и высокая дифференциация для некоторого фиксированного значения отсечки (например, р <0,05 и VAF> 5%). Как правило, только один или два компьютера удовлетворяют этому критерию ПЭТ данных.
  4. Есть переменныеПодразделения другие способы выбора для ПК, которые можно считать 44. Осыпи участок последовательных собственных значений (рис. 6) может дать точного значения среза представлены изгиб кривой и резкое снижение в наклоне кривой, где собственные значения начинают вырождаться. Другим подходом является включение всех компьютеров, на которые приходится 50% лучших из дисперсии. Широко распространенная операция заключается в вычислении Акаике Информационный критерий (АИК) 45, чтобы определить, какая комбинация ПК определить модель с самым низким АПК значение, которое может различать больных и контроля.
  5. Выбранная PC (ы) может быть нормированного вектора и линейно суммируются, чтобы получить одно заболевание связанных узором. Наше программное обеспечение использует необязательно glmfit MATLAB функции для определения коэффициентов на основе логистической регрессии или других моделей, применяемых к субъекту баллы. Хотя дифференциации пациентов и контрольных групп обычно улучшает с дополнительным ПК рассматривать в деrivation группы, полученной модели являются составной представление, которое не может соответствовать одной физической сети или может включать в себя выброс отклонений (7а и 7в).
  6. Далее требуется проверка надежности и перспективного значения. Начальная загрузка ресэмплирования может быть выполнена, как описано ниже 8 с целью выявления наиболее надежных вокселы в исходном наборе данных дифференцирование, ассоциированное с наименьшим стандартным отклонением в повторяющаяся схема вывода. Вперед проверка выполняется для проверки чувствительности и специфичности дискриминации независимых групп путем получения оценки для потенциальных групп пациентов и управление с помощью одной теме Оценка метода оценки (рис. 4d), ​​описанные в следующем сегменте протокола.

4. Одному предмету перспективной оценки Оценка с использованием заданной биомаркеров

  1. После значительного SSM-GIS биомаркеров узоромбыл определен, оценка ее выражение предполагаемого субъекта может быть оценена из проверки того человека с помощью простой Вычисление внутреннего продукта вектор SRP субъекта вектором и вектором ГИС модель (рис. 4d, Фигурное 7D).
    Балл = политик SRP • Pattern
  2. Предыдущая работа автоматизирована нашими TPR рутины. Однако самостоятельно получить предмет вектор политики SRP использовать соответствующие внутренние маски ГИС на бревне преобразованных данных и вычитать как среднее субъекта и соответствующей воксел значения prederived референтная группа GMP, как в пункте 2.4. Это гарантирует, что результаты могут быть по сравнению с заданным контрольным диапазоном. Результаты для новой группы могут быть аналогичным образом оцениваются как набор перспективный одной оценки предмета. Для использования с другой группой ссылку или настройки, GMP может быть откалиброван в то время как картина без изменений.

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

Results

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

Простое применение многомерного SSM / PCA анализа для получения нейровизуализации шаблон биомаркеров PD показано ниже. ПЭТ-ФДГ изображения десять клинически диагностированных пациентов с БП (6M/4F, 59y 7y ± SD) переменного больных продолжительность (± 5 лет 9y SD) и десять возраста и пола соответствует нормальным показателям (6M/4F, 58y 7y ± SD) были проанализированы с использованием наш ssmpca рутины. Двадцать соответствующие пространственно предварительно нормированной изображения были изначально выбраны по к...

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

Discussion

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

SSM / PCA модель первоначально представленных Moeller соавт. 4 развивалась 1-3 в простой и надежный метод для анализа нейровизуализационные данных. Тем не менее, было неясностей в применении этой методологии, мы попытались уточнить здесь и в предыдущих публикациях 5-7,10. Некоторые из этих вопросов были рассмотрены в тексте, но которые еще раз подчеркнули здесь из-за их важности. Как указано во введении, SSM / СПС в первую очередь эффективно в состоянии покоя ФДГ ПЭТ данные, но ...

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

Disclosures

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

Доктор Eidelberg указан как соавтор двух патентов США на использование изображений маркеров для отбора пациентов для дисфункции нервной системы (без финансовой выгоды). Там больше нет раскрытий.

Acknowledgements

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

Эта работа была поддержана грант № P50NS071675 (Morris К. Udall Центр повышения квалификации при болезни Паркинсона исследований в Файнштейн института медицинских исследований), чтобы DE из Национального института неврологических расстройств и инсульта. Материал предназначен исключительно ответственности авторов и не обязательно отражают официальную точку зрения Национального института неврологических расстройств и инсульта или Национального института здоровья. Спонсор не играют роль в дизайн исследования, сбор, анализ и интерпретацию данных, написание отчета или в решении представить этот документ для публикации.

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Image Acquisition
ПЭТ-сканерGE Medical SystemsGE Advanceлюбые ПЭТ, ПЭТ/КТ и ПЭТ/МРТ сканеры от GE, Siemens и Philips
Рабочие станции для ПКLenovoAnyhttp://www.lenovo.com/us/en/>
Радиофармацевтические препараты
[18F]-фтордезоксиглюкозаИнститут медицинских исследований ФайнштейнаРутинное производствоТакже распространяется Cardinal Health http://www.cardinal.com/
Software
ScanVPИнститут медицинских исследованийФайнштейнаВерсия 5.9.1, Версия 6.2, Будет выпущеноwww.feinsteinneuroscience.org
SPMИнститут неврологии UCLspm99-spm8http://www.fil.ion.ucl.ac.uk/spm
WindowsMicrosoftAny
MatlabMathworksMatlab версии 7.0, 7.3http://www.mathworks.com/
JMPSASверсии 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