Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Medicine
Click here for the English version

Medicine

تحديد الأمراض ذات الصلة أنماط التباين المشترك المكانية باستخدام بيانات تصوير الأعصاب

Published: June 26, 2013 doi: 10.3791/50319
Automatic Translation
1, 1, 1, 1, 1, 1, 1
1Center for Neurosciences, The Feinstein Institute for Medical Research

Summary

وقد استخدمت تقنيات متعدد المتغيرات بما في ذلك تحليل المكون الرئيسي (PCA) لتحديد أنماط بصمات التغير الإقليمي في صور الدماغ الوظيفية. وقد وضعنا خوارزمية لتحديد المؤشرات الحيوية شبكة استنساخه لتشخيص الاضطرابات العصبية، وتقييم تطور المرض، وتقييم موضوعي لآثار العلاج في المرضى من السكان.

Abstract

نموذج subprofile تحجيم (SSM) 1-4 هو خوارزمية متعدد المتغيرات القائمة على PCA أن يحدد المصادر الرئيسية للتباين في المريض ومراقبة مجموعة بيانات الصورة الدماغ بينما رفض مكونات أقل (الشكل 1). تطبيقها مباشرة على البيانات التغاير فوكسل تلو فوكسل من الصور تعدد الوسائط ثابت للدولة، وهو كامل مجموعة صورة المجموعة يمكن أن تخفض إلى بضعة أنماط التباين مستقلة خطيا كبيرا وعشرات موضوع المقابلة. كل نمط، ووصف مجموعة subprofile ثابتة (GIS)، هو المكون الرئيسي متعامد الذي يمثل شبكة توزيعها مكانيا من ظيفيا مناطق الدماغ مترابطة. تتم إزالة آثار العددية المتوسط ​​العالمي الكبيرة التي يمكن أن تحجب المساهمات أصغر شبكة محددة من قبل تحويل لوغاريتمي المتأصلة ويعني توسيط البيانات 2،5،6. موضوعات التعبير عن كل من هذه الأنماط إلى درجة متغير يمثله النتيجة العددية البسيطة التي يمكن أن ترتبط مع كلين مستقلةواصف كال أو البسيخومتري 7،8. باستخدام تحليل الانحدار اللوجستي من عشرات الموضوع (أي القيم التعبير نمط)، يمكن اشتقاق معاملات خطي إلى الجمع بين مكونات رئيسية متعددة في أنماط التباين المكاني ذات الصلة مرض واحد، أي شبكات مركب مع تحسن التمييز من المرضى من الأشخاص الخاضعين للمراقبة صحية 5،6. عبر التحقق من صحة ضمن مجموعة الاشتقاق يمكن القيام بها باستخدام تقنيات اختزال التمهيد 9. يتم تأكيد التحقق من صحة إلى الأمام بسهولة عن طريق تقييم نقاط مباشرة من أنماط مشتقة في مجموعات البيانات المحتملين 10. بمجرد التحقق من صحة، وأنماط الأمراض ذات الصلة يمكن أن تستخدم لتسجيل المرضى الفردية فيما يتعلق عينة مرجعية ثابتة، وغالبا مجموعة من المواضيع الصحية التي تم استخدامها (مع مجموعة المرض) في الاشتقاق نمط الأصلي 11. هذه القيم موحدة يمكن بدوره أن تستخدم للمساعدة في التشخيص التفريقي 12،13 وتقييم المرضآثار التقدم والعلاج على مستوى الشبكة 7،14-16. نقدم مثالا لتطبيق هذه المنهجية إلى FDG PET بيانات من مرضى الشلل الرعاش والضوابط العادية باستخدام برنامجنا في المنزل لاستخلاص نمط التباين سمة العلامات البيولوجية للمرض.

Introduction

وقد درس الاضطرابات العصبية على نطاق واسع باستخدام التقنيات التي تعريب وتحديد شذوذ في استقلاب الدماغ وكذلك الأساليب غير استنتاجي أن دراسة التفاعلات الإقليمية 17. الاستراتيجيات التحليلية متعدد المتغيرات التي تعتمد على البيانات مثل تحليل المكون الرئيسي (PCA) 1،2،4،18 وتحليل عنصر المستقلة (ICA) 19،20، وكذلك التقنيات تحت إشراف مثل المربعات الجزئية الأقل (PLS) 21 والاتجاهات ترتيبي الكنسي variates تحليل (أورط / CVA) 22 يمكن أن تكشف عن أنماط مميزة أو "شبكات" من النشاط المترابطة. أساسيات الإجراءات متعدد المتغيرات، ولا سيما نموذج subprofile تحجيم (SSM) 1،2،4-6،18 وقد وصفت سابقا في إن الرب 3. وقد تم تطوير هذا النهج القائم على الشراكة والتعاون في الأصل لدراسة العلاقات التغاير وظيفية غير طبيعية بين مناطق الدماغ في حالة استقرار الصور مجلد واحد من تدفق الدم في الدماغ والتمثيل الغذائي ACQuired في حالة الراحة من طرائق مثل PET وSPECT الذي يحمل خصائص عالية إشارة إلى الضجيج. أنماط SSM بأمراض محددة هي المؤشرات الحيوية التصوير التي تعكس الاختلافات العامة في تضاريس الإقليمية في المرضى مقارنة مع 7،16 مواضيع عادية، وربما تعكس عملية شبكة واحدة أو استيعاب عدة وظائف غير طبيعية معقدة 23. وترتبط الأيضية التغاير شبكات الدماغ مع نمط القيم التعبير (عشرات الموضوع) يمكن أن تميز بين الجماعات العادي والمرض وتوفير التدابير القائمة على الشبكة التي ترتبط تقييمات السريرية من شدة المرض. عادة، زيادة درجات الموضوع لهذه الأنماط مع تطور المرض، وربما حتى قبل أن يعبر ظهور الأعراض 14،24. في الواقع، وقد اتسمت المؤشرات الحيوية المتعلقة بالشبكة المرض لعلاج الاضطرابات العصبية مثل مرض باركنسون 10 (PD)، مرض هنتنغتون 25 (HD)، ومرض الزهايمر 8 12،13،26.

في المقابل، نموذجي طرق حيد المتغير القائم على فوكسل الرنين المغناطيسي الوظيفي تقييم أهمية الاختلافات بين المرضى والضوابط في مجموعات الدماغ معزولة. وفي الآونة الأخيرة، تم تطوير أساليب لقياس التوصيلية وظيفية بين مناطق الدماغ تعريف بتنوع 27-29. ويقتصر هذا التعريف للاتصال وظيفي لموضوع والمنطقة التفاعلات وينحرف محددة من SSM / PCA المفهوم الأصلي الذي يشير إلى الترابط مستعرضة من توزيعها مكانيا المناطق الجوهرية شبكة الدماغ 1،2،23،30. لصالحها، ومنصات التصوير بالرنين المغناطيسيإعادة تركيبها بسهولة، وهي متاحة على نطاق واسع، غير الغازية وعادة ما تتطلب أقصر وقت المسح من طرائق التصوير المشع التقليدية مثل PET أو SPECT مما أدى إلى تصاعد المنهجيات المحتملة وصفها في المؤلفات الحديثة. ومع ذلك، توفر الناتجة إشارات الرنين المغناطيسي الوظيفي التي تعتمد على الوقت التدابير غير المباشرة من النشاط العصبي المحلية 31،32. تم الخوارزميات التحليلية المعقدة عموما يعملون محدودة بسبب حجم كبير من مجموعات البيانات، والضجيج الفسيولوجية الكامنة في إشارات الرنين المغناطيسي الوظيفي، فضلا عن التباين الشديد في نشاط الدماغ التي تربط بين الموضوعات والمناطق 19،23. على الرغم من معلومات مثيرة للاهتمام بشأن تنظيم الدماغ ويمكن الاستدلال على ذلك من خصائص "الشبكات" الرنين المغناطيسي الوظيفي، فإنها لم تكن مستقرة بما فيه الكفاية لاستخدامها المؤشرات الحيوية المرض موثوق بها. وعلاوة على ذلك، وتصاميم شبكة الناتجة لا تساوي بالضرورة إلى تلك التي تم تحديدها باستخدام منهجيات التصوير وظيفية أنشئت مثل SSM / PCA. عن اله جزء الاكبر، وصرامة عبر المصادقة على تصاميم الرنين المغناطيسي الوظيفي مما أدى كان مفتقدا مع أمثلة قليلة من نجاح التطبيق إلى الأمام من أنماط مستمدة في بيانات المسح المحتملين من الحالات واحدة.

ميزة من تحليل التباين المشترك PCA يكمن في قدرتها على التعرف على أهم مصادر الاختلاف في البيانات القليلة الأولى المكونات الرئيسية لكنها غير فعالة إذا كانت المتجهات الذاتية بارزة تمثل عوامل الضجيج العشوائي بدلا من الاستجابة شبكة الجوهرية الفعلية. فقط من خلال تحديد المتجهات الذاتية القليلة الأولى، والتي تحد من تلك التي تظهر فروق ذات دلالة إحصائية في درجات السيطرة المريض مقابل العادية، ونحن يقلل كثيرا من تأثير العناصر الضوضاء. ومع ذلك، من أجل النهج الأساسي وصفها هنا، فإن هذه التدابير قد لا تكون كافية لتوليد المقدرات قوية في مجموعة بيانات الرنين المغناطيسي الوظيفي نموذجي مع استثناء من طرائق موضح أدناه.

وبالتالي، ونظرا للعلاقة مستقرة المباشر للز الإقليميةالأيض lucose والنشاط متشابك 33، وقد تم تطبيق هذه المنهجية أساسا لتحليل البيانات بقية الدولة PET FDG. ومع ذلك، نظرا لأن تدفق الدم الدماغي (البرازيلي) ويقترن ارتباطا وثيقا النشاط الأيضي في حالة الراحة 10،11،34، 35،36 SPECT وأكثر الشرياني مؤخرا وضع العلامات تدور (ASL) أساليب التصوير بالرنين المغناطيسي 37،38 نضح، وقد استخدمت لتقييم النشاط الأيضي غير طبيعية في حالات فردية. قلت ذلك، واشتقاق موثوقة أنماط التباين المكاني مع الرنين المغناطيسي الوظيفي يستريح الدولة (rsfMRI) كما لوحظ سابقا يست مباشرة 31،32. وحتى مع ذلك، فقد كشفت SSM / PCA تحليل أولي للبيانات rsfMRI من المرضى PD والضابطة حددت بعض homologies الطبوغرافية بين أنماط الأمراض ذات الصلة باستخدام طرائق اثنين، PET والسعة من تقلبات منخفضة التردد (ALFF) من BOLD الرنين المغناطيسي الوظيفي 39،40 . وأخيرا، نلاحظ أيضا أن هذا النهج قد تم تطبيقها بنجاح في فوكسل القائم على مورفومترى (VBM) بيانات التصوير بالرنين المغناطيسي الهيكلي 41،42، وكشف عن أنماط التباين المكاني المميزة المرتبطة بفقدان حجم المرتبط بالعمر وزيادة في مقارنات من VBM وأنماط ASL في الموضوعات نفسها 43. العلاقة بين SSM / PCA تصاميم التباين المكاني وشبكات الدماغ مماثلة تم تحديدها باستخدام أساليب تحليلية مختلفة ومنصات التصوير هو موضوع التحقيق الجاري.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. جمع البيانات وتجهيزها

  1. يمكن تطبيق طريقة SSM / PCA إلى صور مجلد واحد تم الحصول عليها من مصادر وطرائق مختلفة. على وجه التحديد، لتصوير PET في الموقع من عملية التمثيل الغذائي، وإعداد التتبع النويدات المشعة المناسبة مثل [18 F]-fluorodeoxyglucose (FDG) وإدارة لكل مريض. المرضى عادة ما يتم تفحص في بقية بعيون مفتوحة، وبعد صيام 12 ساعة على الأقل، إيقاف الأدوية.
  2. تفحص كل موضوع لتقييم الفرد أو المجموعة. لاشتقاق نمط والمسح الضوئي على عدد متساو من المرضى نوع الجنس والعمر المتطابقة والضوابط.
  3. نقل البيانات إلى محطة عمل وتحويله إلى شكل مناسب للتحليل في النظام الأساسي الخاص بك. لدينا جهاز كمبيوتر ويندوز يعتمد MATLAB تحليل البرمجيات (scanvp، ssm_pca، www.feinsteinneuroscience.org ) يتطلب تحليل أو تنسيق الصور nifti (مايو كلينيك، روشستر، مينيسوتا). أنه يوفر ر روتين تحويلس التحويل GE مقدما (ميلووكي، ويسكونسن، الولايات المتحدة الأمريكية) الماسح الضوئي والصور صيغة أخرى لتحليل الشكل.
  4. تطبيع صورة كل موضوع على مساحة التجسيمي المشتركة (مثل معهد مونتريال العصبية [MNI]) باستخدام معيار حزمة برامج تصوير الأعصاب مثل رسم الخرائط الإحصائية المعلمية (SPM) ( http://www.fil.ion.ucl.ac.uk/spm ) بحيث هناك تطابقا واحد الى واحد من القيم فوكسل بين الموضوعات (الشكل 2). اخفاء للحد من التحليل إلى مناطق المادة الرمادية (الشكل 3) والتحول سجل الموضحة في الخطوات التالية.

2. أداء SSM متعدد المتغيرات / PCA

عمليات متعددة المتغيرات SSM / PCA (الشكل 4) يمكن أن يقوم بها برنامج خارجي. الخطوات مفصلة أدناه تعكس الإجراءات المتبعة بالنسبة للجزء الاكبر تلقائيا باستخدام إجراءات لدينا في المنزل (الشكل 5) (المسح الضوئينائب الرئيس / ssmpca، www.feinsteinneuroscience.org متاحة أيضا بوصفها SPM الأدوات ssm_pca).

  1. البيانات باستخدام قناع متاح 0/1 الصورة لإزالة المناطق غير المرغوب فيها من الفضاء فوكسل مثل المادة البيضاء والبطينين. باستخدام روتين ssmpca، يتم إعطاء المستخدم خيار لتحديد الافتراضي أو قناع الخارجية الأخرى (الشكل 3) أو أن يكون البرنامج تلقائيا بإنشاء قناع عن طريق إزالة القيم أقل من المحددة الثابتة في المئة من الحد الأقصى لبيانات كل موضوع لل. ثم يتم ضرب أقنعة موضوع الفردية لتحديد قناع مركب. المناطق داخل قناع تعريف الفضاء فوكسل غير صفرية مشتركة للتحليل.
  2. تحويل 3D ملثمين البيانات فوكسل صورة لكل موضوع لاحد متجه صف المستمر بإلحاق خطوط المسح متتابعة من الطائرات على التوالي (الشكل 4A). تشكيل مصفوفة البيانات المجموعة (D) بحيث تكون البيانات لكل مادة ويناظر R محددةآه من المصفوفة. ثم يمثل كل عمود فوكسل خاصة عبر المواضيع. من الناحية المثالية، لاشتقاق العلامات البيولوجية، سوف تتكون لمصفوفة من عدد متساو من صفوف من البيانات العادية موضوع التحكم والبيانات موضوع المرض.
  3. تحويل كل إدخال البيانات إلى شكل لوغاريتمي.
  4. مركز مصفوفة البيانات من خلال طرح كل صف متوسط ​​أو موضوع يعني من عناصر الصف. متوسط ​​جميع الصفوف محورها يمثل مجموعة مميزة يعني يطلق عليه صورة السجل وسيلة الشخصي المجموعة (GMP، الشكل 4A). طرح الوسائل التي هي عمود عناصر GMP من عناصر عمود مصفوفة المقابلة. كل صف من المصفوفة محورها مزدوج يمثل يطلق عليه صورة 'المتبقي' لمحة المتبقية الموضوع (الخطة) التي تمثل الانحرافات من كل من الموضوع و وسائل فوكسل المجموعة الخامسة (الشكل 4B) عناصر.
    SRP SV = logD SV - يعني S - GMP الخامس
  5. بناء سوبجإلخ تلو موضوع التباين مصفوفة C من مركب مزدوج مصفوفة بيانات محورها من خلال حساب التغاير غير تسوية بين كل زوج موضوع ط، ي من SRP الصفوف مصفوفة تقييم كمنتج من عناصر فوكسل المقابلة لخص على كل voxels الخامس (الشكل 4B) .
    C ط = Σ V (X SRP SRP الرابع JV)
  6. تطبيق PCA إلى التغاير الموضوع تلو الموضوع مصفوفة C. ستكون النتائج مجموعة من المتجهات الذاتية النتيجة الموضوع مع القيم الذاتية المرتبطة بها. الوزن كل النواقل عن طريق ضرب من قبل الجذر التربيعي من القيمة الذاتية المقابلة لها. يتم تمثيل مجموعة من المتجهات الذاتية النتيجة عن طريق أعمدة المصفوفة الناتجة S في 4C الشكل.
  7. يمكن تحديد المتجهات الذاتية فوكسل لنفس مجموعة من القيم الذاتية من خلال تطبيق PCA إلى العمود بواسطة مصفوفة التغاير العمود أو عن طريق هذا البديل حسابيا أقل تطلبا procedلدى عودتهم مبين في (الشكل 4C). غادر مضاعفة النتيجة المستمدة سابقا مصفوفة متجه من قبل SRP مصفوفة تبديل لاشتقاق وP مجموعة من المتجهات الذاتية نمط فوكسل في ترتيب تنازلي من القيم الذاتية (الشكل 4C، الشكل 6، 7A الشكل).
    P = SRP T X S
    كل ناقلات العمود يمثل عنصر (PC) نمط الصورة الرئيسية للتحليل SSM / PCA يعزى إلى٪ من التباين الكلي استأثرت (VAF) المقابلة لحجم نسبي من القيمة الذاتية لها.

3. نمط الاشتقاق العلامات البيولوجية

  1. دراسة نتائج التحليل السابق لتحديد أنماط PC التي ترتبط مع القيم VAF عالية. ضمن روتين حياتنا، فوكسل ناقلات نمط هي Z-حولت بحيث قيمها تمثل الانحرافات المعيارية الإيجابية والسلبية من متوسط ​​قيمتها. ثم يتم إعادة تشكيل أنها في شكل صورة قبل عرض (7A الشكل).
  2. يتم عرض عشرات المقابلة لكل نمط PC والرسوم البيانية والمخططات مبعثر (الشكل 7). يمكن إنشاء ROC مؤامرة اختياري (الشكل 7D). لتحديد نمط بأمراض محددة، لاحظ التفريق بين عشرات الموضوع بين المرضى والضوابط التي تعكسها وف القيم من المناظرة اثنين من عينة تي التجارب والقيم الجامعة الأمريكية بالقاهرة. الحد من تحليل لتلك أجهزة الكمبيوتر المرتبطة مع VAF عالية وتمايز عالية بالنسبة لبعض القيم الثابتة قطع (على سبيل المثال، P <0.05 وVAF> 5٪). عادة، واحد فقط أو اثنين من أجهزة الكمبيوتر تلبية هذا المعيار للبيانات PET.
  3. هناك فاريطرق أخرى لاختيار الأوس PC التي يمكن أن تعتبر 44. المؤامرة حصاة من القيم الذاتية المتتالية (الشكل 6) قد تعطي قيمة قطع حاد يمثله منحنى في منحنى وانخفاض حاد في المنحدر من منحنى حيث تبدأ القيم الذاتية تتدهور. وثمة نهج آخر هو أن تشمل جميع أجهزة الكمبيوتر التي تمثل أعلى 50٪ من التباين. إجراء مقبولة على نطاق واسع هو لحساب معلومات Akaike المعيار (AIC) 45 لتحديد أي مجموعة من أجهزة الكمبيوتر تحديد نموذج مع أدنى قيمة AIC يمكن أن تميز بين المرضى والضوابط.
  4. وPC المختارة (ق) يمكن أن تكون ناقلات تطبيع وجنبا إلى جنب خطيا لتسفر عن نمط واحد الأمراض ذات الصلة. برنامجنا يستخدم اختياريا وظيفة MATLAB glmfit لتحديد معاملات استنادا إلى نماذج الانحدار اللوجستي أو غيره تطبيقها على عشرات الموضوع. على الرغم من أن التفريق بين المريض والضابطة عادة يتحسن مع أجهزة الكمبيوتر إضافية نظرت في ديمجموعة rivation، وأنماط الناتجة هي تمثيل المركبة التي قد لا تتوافق مع شبكة فعلي واحد أو قد تتضمن انحرافات عزلاء (أرقام 7A و7C).
  5. هناك حاجة إلى مزيد التحقق من صحة الموثوقية وأهمية المحتملين. اختزال التمهيد لا يمكن أن يؤديها كما هو مبين أدناه 8 لتحديد voxels الأكثر موثوقية ضمن مجموعة البيانات الاشتقاق الأصلي المرتبطة الانحراف الأقل القياسية في تكرار نمط الاشتقاق. إلى الأمام يتم تنفيذ التحقق من صحة لاختبار للحساسية وخصوصية تمييز مجموعة مستقلة عن طريق اشتقاق عشرات لمجموعات من المرضى المحتملين والضوابط باستخدام-موضوع واحد طريقة تقييم درجة (الشكل 4D) وصفها في الجزء القادم من البروتوكول.

4. المفرد الموضوع تقييم نقاط الاستشراف باستخدام العلامات البيولوجية المحددة سلفا

  1. مرة واحدة في نمط واضح العلامات البيولوجية SSM-GISتم التعرف، على درجة لتعبيرها في موضوع المحتملين يمكن تقييمها من المسح أن الفرد باستخدام حساب بسيط للمنتج ناقلات الداخلية من هذا الموضوع في SRP ناقلات وناقلات نمط نظم المعلومات الجغرافية (الشكل 4D، الشكل 7D).
    SCORE = SRPs • نمط
  2. هو الآلي العملية السابقة من قبل نظام الحماية المؤقت الروتينية لدينا. ومع ذلك، لاشتقاق بشكل مستقل موضوع SRPs ناقلات استخدام قناع GIS الجوهرية المرتبطة بها في سجل البيانات المحولة وطرح كل من متوسط ​​الموضوع والقيم فوكسل المقابلة من الإشارة prederived مجموعة GMP كما في الخطوة 2.4. هذا يضمن أن عشرات يمكن مقارنة لمجموعة مرجعية محددة سلفا. عشرات لمجموعة جديدة يمكن تقييمها على نحو مماثل على أنها مجموعة من عشرات موضوع واحد المحتملين. للاستخدام مع مجموعة مرجعية مختلفة أو الإعداد، GMP يمكن تعديلها في حين أن النمط دون تغيير.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

تطبيق بسيط من متعدد المتغيرات SSM / PCA التحليل لاستخلاص نمط العلامات البيولوجية لتصوير الأعصاب PD هو موضح أدناه. PET FDG الصور من عشرة المشخصة سريريا المرضى PD (6M/4F، 59y ± 7Y SD) لمدة المريضة متغير (9Y ± 5Y SD) وعشرة من السن والجنس المتطابقة الضوابط العادية (6M/4F، 58y ± 7Y SD) تم تحليلها باستخدام لدينا ssmpca الروتينية. تم اختيار المناظرة الصور قبل تطبيع العشرين مكانيا في البداية تحت الموضوعات المرض فئات أو عناصر التحكم جنبا إلى جنب مع قناع الافتراضي (الشكل 3). إخراج البرنامج الرئيسي 16 ملفات الصور المكون الأول وقائمة ملف من عشرات المرتبطة بها جنبا إلى جنب مع مؤامرة حصاة من القيم الذاتية المتتالية (الشكل 6). تم عرض صور متسلسلة PC وشريط المرتبطة بها والرسوم البيانية مبعثر على الشاشة لاستعراضها الأولي كما هو مبين في الأرقام 7A و 7B. لاحظ أن العنصر الأول وشكلت PCلأكبر VAF (24٪) وعشرات موضوع يرتبط به من تميز ملحوظ المرضى من الضوابط (P = 0.0002) على أساس ثنائي مقارنة عينة اختبار t وخصائص ROC (AUC = 0.99، 0.93 = حساسية لنوعية = 0.95). لهذه الأسباب فإنه يمكن اعتبار العلامات البيولوجية في حد ذاته، وهو في الواقع يرتبط مكانيا للغاية مع PD العلامات البيولوجية المستمدة سابقا PDRP 46،47 (R 2 = 84٪، P <0.001) التحقق من صحتها في العديد من مجموعات البيانات المحتملين 5. هل كان هذا النمط الثاني (P = 0.81، AUC = 0.54) والنمط الثالث (P = 0.38، AUC = 0.63) لا تميز بشكل كبير، وربما تنشأ من العمليات العادية التي لا تتأثر بشدة من المرض. النمط الرابع (VAF = 7٪) تميز بدرجة أقل بكثير من PC الأول (P = 0.13، AUC = 0.71) وقد يترافق مع عوامل المرض أقل وضوحا. تم تجاهل أجهزة أخرى بسبب انخفاض القيم VAF (<7٪) جنبا إلى جنب مع التمييز غير كبيرة من عشرات العادي والمريض (P> 0.4).ويتضح انحطاط القيم الذاتية الاختلافات في الشكل (6).

كانت أنماط الأولى والرابعة ناقلات تطبيع وجنبا إلى جنب خطيا باستخدام برنامجنا لتحديد معاملات المرتبطة بها (.78، .63) للحصول على أفضل المريض / السيطرة التمييز النتيجة باستخدام نموذج التمييز اللوجستية. النتائج GIS مركب في تحسين التمييز كما يدل على ذلك ف قيمة (P = 10 -5، 7B الشكل) وقيمة AUC الكمال من 1.0 للمجموعة الاشتقاق. يتم تقييم VAF مركب (17.3٪) المرتبطة مع هذا النمط بوصفه مجموع vafs الفردية (24٪، 7٪) المعدلة الساحات من معاملات الخطية. ومع ذلك، لاحظ أن هذا النموذج يتحقق التمييز مرتفعا بنسبة ينسب معامل عالية بشكل غير متناسب (بالمقارنة مع القيم VAF) إلى PC4 أقل أهمية. حتى أعلى التمييز داخل المجموعة الاشتقاق قد يتحقق باستخدام مكونات إضافية مع نفس الحجز. في أووحالة R كان هناك تحسن طفيف فقط عن طريق إضافة PC3 (ع = 3X10 -6) (الشكل 7C) وأي تحسن قبل بما في ذلك جميع أجهزة الكمبيوتر أربعة (ع = 10 -5) بسبب القدرة غير التمايز من PC2. كان كل من الأنماط مجتمعة مثالية الخصائص ROC (AUC = 1 = 1 والحساسية، والنوعية = 1 لانخفاض عتبة Z-نقاط). ومع ذلك، هذه القيم هي محددة إلى المجموعة الاشتقاق. صلاحية المؤشرات الحيوية النهائي لديه ليتم التحقق منها في تقييم المحتملين على النحو الذي قام هنا للحصول على مجموعة مستقلة من 22 مريضا (15M/7F، 57y ± 9Y SD، مرض مدة 10Y ± 4Y SD) و 22 عناصر التحكم (4M/18F، 55y ± 15Y SD) (الشكل 7D). وعلى الرغم من تحقيق التمايز أعلى بكثير في مجموعة الاشتقاق من خلال الجمع بين أكثر من جهاز كمبيوتر واحد، لم يكن الحفاظ على الميزة النسبية نفسه في مجموعة اختبار على الرغم من كل أربعة تركيبات أداء جيدا. أظهرت أول جهاز كمبيوتر التمايز يعني العالي في DAT مجموعة المحتملينA (P = 5X10 -8، AUC = 0.95) من الأنماط مجتمعة PC1_3_4 (ع = 2X10 -7، AUC = 0.95) وPC1_2_3_4 (ع = 6x10 -7، AUC = 0.92) تعزى لصلاحيتها الفطرية. كما تحقق ميزة طفيفة من خلال المادة المضافة PC1_4 (ع = 3.2x10 -8، AUC = 0.96). على الرغم من أن قيمة AUC المحتملين كان أعلى قليلا لPC1_4، تظهر حساسية لخصوصية 0.95 في الانخفاض مع أجهزة الكمبيوتر المضافة من قيمة ما يقرب من 0.8 إلى 0.5 لPC1 لPC1_2_3_4. بوضوح أخذ العينات على نطاق أوسع سيكون من الضروري أكثر دقة التنبؤ هذه القيم انطلاقا من عدم انتظام متزايد من المؤامرة ROC. وبالإضافة إلى ذلك، يمكن أن تحققت دقة أعلى باستخدام مجموعة الاشتقاق أكبر كما هو موضح في المنشورات السابقة. ومع ذلك، فمن الواضح من هذه العروض أن نفس دقة التمايز التي تحققت في المجموعة الاشتقاق لا نعمم دائما إلى تقييم مجموعة مستقلة، مما يستلزم التحقق من صحة المحتملين من أنماط الاشتقاق.

وهكذا، تم تخفيض مجموعة البيانات الأصلية لدينا 20 صورة تخضع لصورة واحدة PC الأساسية PC1 نمط التي كان أداؤها كذلك العلامات البيولوجية التشخيصية للمرض في 44 مواضيع المحتملين.

الشكل 1
الشكل 1. تتم معالجة التخطيطي من SSM / PCA استراتيجية النمذجة. بيانات الماسح الضوئي العادي والمريض من قبل SSM / PCA الخوارزميات لاستخلاص العلامات البيولوجية تصوير الأعصاب وعشرات موضوع المرتبطة بها. الفرق بين متوسط ​​درجات يخضع المريض وطبيعية كبيرة. انقر هنا لعرض أكبر شخصية .

الشكل 2 الشكل 2. تم تطبيع تجهيزها واخفاء البيانات. صور الماسح الضوئي الخام مكانيا لتعيين voxels إلى الفضاء التجسيمي مشتركة لجميع المواد الدراسية وتلطيف باستخدام نواة Guasian. عملية اخفاء يزيل الفضاء البطين والضوضاء.

الشكل (3)
الشكل (3). تم إنشاء هذا الافتراضي 0/1 رمادي قناع المسألة من تجهيز 72 مواضيع عادية. تم thresholded الفردية البيانات تطبيع مكانيا في 38٪ من القيمة القصوى لخلق أقنعة الفردية التي تضاعفت معا. وقد انقلبت قناع المضاعف اليسار إلى اليمين خلال الأصل وتضاعفت مع الأصل لإنشاء قناع symmetrized النهائي.

الشكل 4. مسار تدفق SSM / PCA تجهييز. أ) صياغة ناقلات الموضوع من مصفوفة البيانات. تسجيل التحول. الصف توسيط. تقييم ناقلات GMP. ب) العمود توسيط. الاشتقاق من SRP. بناء مصفوفة التغاير C. ج) تحليل المكونات الرئيسية. اشتقاق PC ناقلات نقاط وأنماط فوكسل. د) واحد موضوع حساب نقاط الاستشراف. انقر هنا لعرض أكبر شخصية .

الرقم 5
الشكل 5. البرمجيات. لتنفيذ SSM / Pيمكن CA للمستخدم تحديد SSM / PCA الخيار القائم على فوكسل من القائمة ScAnVP، حدد الملفات المريض صورة والضوابط العادية، قناع المفضل ثم عملية. يتم تنفيذ تحويل السجل افتراضيا. بعد استعراض الإنتاج وشاشة عرض المخططات والصور، ويمكن للمستخدم أن يختار الجمع بين خطيا أجهزة الكمبيوتر المحدد باستخدام نماذج الانحدار اللوجستي أو أخرى لإنشاء العلامات البيولوجية مع أعلى المريض / التمييز النتيجة طبيعية. انقر هنا لعرض أكبر شخصية .

الشكل (6)
الشكل (6). حصاة القطعة. أدت هذه المؤامرة حصاة من القيم الذاتية متتابعة من هذا الموضوع غير طبيعية حسب الموضوع مصفوفة التغاير من SSM / PCA تحليل 10 مريضا و 10 PD الضوابط العادية. إشعارالانخفاض الحاد في القيم الذاتية بعد PC الأول. الاختلافات بين القيم الذاتية هي صغيرة بعد PC 4 ال.

الرقم 7
الرقم 7 SSM / PCA برنامج انتاج أ) أعلى:. عرض المحورية (Z = 0) من أربع صور المكون الرئيسي الأول (PC1 إلى 4). القاع: المشاهدات متعامد من خلال المنشأ (X، Y، Z = 0،0،0) من PC1 وأجهزة الكمبيوتر مجتمعة 1 و 4 (PC1_4) عرض أكثر من صورة الهيكلية التصوير بالرنين المغناطيسي. تمثل القيم فوكسل PC الانحرافات Z-النتيجة الإيجابية والسلبية النسبية للدلالة على التحميل فوكسل. الألوان الساخنة وتشير الزيادات النسبية في النشاط الأيضي في غضون مساهمة في الكمبيوتر الشخصي إلى SRP العام بينما الألوان الباردة تشير إلى انخفاض التمثيل الغذائي النسبي. لPC بأن المرضى تميز من الضوابط هذه الانحرافات يمكن أن تكون سمةد لهذا المرض. ب) الرسوم البيانية وscatterplots للموضوع الاشتقاق Z-العشرات من PC1 وPC4. فقط المكون الرئيسي الأول تميز بشكل كبير من المرضى التحكم (P = 0.0002)، بينما يوضح الرابع اتجاها (P = 0.13). تركيبة لوجستية خطي من PC1 وPC4 (معاملات .78، .63) يحسن التمييز (P = 0.00001). يتم عرض قيمة AUC ROC وحساسية لخصوصية 0.95 أيضا لكل نمط. هذا النمط مجتمعة PC1_4 يوضح الفصل الكمال في عتبة Z-Score لل0.9 (AUC = 1). ج) مشاهدة متعامد من مجتمعة PC1_3_4 وPC1_2_3_4 وما يقابلها من الرسوم البيانية الموضوع لاشتقاق موضوع Z-العشرات. زيادة التمييز (ع = 3X10 -6 و 10 -5، على التوالي) مقارنة بما كان عليه من PC1 لكلا من هذه المجموعات المختلفة. وأشارت الخصائص AUC فصل الكمال في كلتا الحالتين (AUC = 1، حساسية = 1، والنوعية = 1). انظر الملاحظة في أسطورة 7A الصددجي مقياس اللون. د) تقييم درجة المحتملين من أنماط PC1، PC1_4، PC1_3_4 وPC1_2_3_4 في 22 الضوابط العادية و 22 مرضى PD. يتم عرض شريط والرسوم البيانية مبعثر-مؤامرة فضلا عن مؤامرة ROC لموضوع Z-عشرات والقيم AUC فضلا عن حساسية في خصوصية 0.95 يشار .. تظهر القيم مفوضية الاتحاد الأفريقي وحساسية لخفض لأكثر من عقدين من المكونات الرئيسية مجتمعة في حين ف القيم تميل إلى أن تصبح أقل قوة. وقد لوحظ تحسن ضئيل للPC1_4 في القيم مفوضية الاتحاد الأفريقي وP يبطل فرق كبير تنبأ في العينة الاشتقاق. انقر هنا لعرض أكبر شخصية .

Subscription Required. Please recommend JoVE to your librarian.

Discussion

نموذج SSM / PCA قدم أصلا من قبل مولر وآخرون. تطورت 01-03 أبريل في تقنية واضحة وقوية لتحليل البيانات تصوير الأعصاب. ومع ذلك، كانت هناك غموض في تطبيق هذه المنهجية التي حاولنا توضيح هنا وفي المنشورات السابقة 5-7،10. وقد تم تناول بعض هذه القضايا في النص ولكن اكد مجددا هنا نظرا لأهميتها. كما هو مفصل في المقدمة، SSM / PCA هي فعالة في المقام الأول في يستريح البيانات PET FDG الدولة، ولكنها كانت أيضا ناجحة باستخدام تقنيات التصوير مجلد واحد وغيرها من المنصات بما في ذلك المسح الضوئي H 2 15O PET و99mTc-تنمية الطفولة المبكرة SPECT، وكذلك نضح ASL و الحجمي VBM التصوير بالرنين المغناطيسي. في التطبيق الناجح لسلسلة زمنية rsfMRI يستلزم التنمية المستقبلية للتقنيات المحسنة بشكل كبير 48.

القوة الرئيسية من SSM يكمن في قدرتها على تحديدمصادر التباين في البيانات وللفصل بينهما إلى مكونات متعامد مكانيا. في معظم الدراسات، سوى عدد قليل من المكونات الهامة يمكن أن تعزى إلى آثار المرض، وبالتالي الحد بشكل كبير من مجموعة البيانات ذات الصلة. لتحديد مكونات بأمراض محددة، ونحن تشمل مثالي أعداد متساوية من المواضيع المرض مع الجنسين والضابطة العمر المتطابقة السليم في تحليل المجموعة المشتركة 2،5. في هذه الحالة، والانحرافات من القيم العادية بسبب المرض عادة ما تكون صغيرة من حيث القيمة المطلقة وتحجب العوامل العالمية الكبيرة التي لا تميز المرضى من الضوابط 2،5،6. PCA هو أداة تحليلية فعالة، عندما يكون توزيع البيانات هو شبه Guassian 49. الإجراء SSM يؤدي التحول السجل الذي يحول أساسا البيانات إلى التوزيع العادي سجل 50 ويفصل العوامل المضاعف في شروط المضافة. موضوع اللاحقة يعني توسيط (صف يعني الطرح) هو خطوة ضرورية أن يزيل أي لياليubject عوامل القياس العالمي من بيانات السجل. وهذا يعني أن موضوع التطبيع الأولية المتوسط ​​العالمي له تأثير في SSM على الرغم من أنها عادة خطوة تجهيزها اللازمة في الإجراءات التحليلية تصوير الأعصاب. وبالمثل، قبل تطبيع بأي وسيلة الإقليمية ليس له أي تأثير.

وبلغ متوسط ​​يعني الصور سجل طيرانها فوق المواضيع لتوليد صورة GMP التي يمكن أن تعتبر صورة مميزة ثابتة من الأفواج مماثلة. العمود اللاحقة تركز على الموضوعات يزيل الوسائل الإقليمية (GMP) لإنشاء موضوع الصور SRP المتبقية. يتم إدخال ناقلات SRP في تحليل PCA لتوليد مجموعة من أنماط PC متعامد وعشرات الفريق المرجعي لكل PC. في المحتملين الموضوع تقييم درجة واحدة، وتحليل المجموعة ليست ضرورية؛ يتم تقييم SRP هذا الموضوع من خلال الطرح للمتوسط ​​موضوع ومرجع مجموعة GMP ومن ثم يتم تحديد نقاط الشخص المعني كما المنتج العددية الداخلي للناقلات وSRPنمط PC prederived النواقل. هذه النتيجة يندرج عادة ضمن مجموعة من الدرجات إشارة بشرط أن يتم الحصول على البيانات الجديدة بطريقة مشابهة كما في الاشتقاق الأصلي. في أجواء مختلفة، قد تكون لا تزال ناقلات PC نمط صالحة حتى لتصوير طريقة مختلفة ولكن للحصول على درجة التأويل، يجب تنفيذ إجراء إعادة تقويم لتقييم عشرات مرجعية جديدة. لا يتطلب إجراء إعادة تقويم تحليل PCA بل هو تقرير بسيط من عشرات موضوع واحد لمجموعة جديدة كاملة من المرضى وضوابط استخدام نمط محدد سلفا وتحديد GMP حديثا.

وتجدر الإشارة إلى أن على الرغم من أن طريقة معينة قد يعكس بعض المعلمات الفسيولوجية، والمستمدة لا يمكن تفسير SSM / PCA أنماط باعتبارها تدابير المطلقة من هذه الكميات. أولا، يتم استخلاصها من التباين المشترك بين الأقاليم من الاختلافات فوكسل من القيم المتوسطة. قد ينتج عن هذه الخلافات من الشبكة المختلفةوظائف وربما تمثل آثار مركب. وبالتالي، فإن نمط PCA هو بناء الرياضية التي قد تعكس التباين ضمن شبكة واحدة أو عمليات أكثر تعقيدا. عن طريق إجراء تحليل الارتباط عشرات نمط مع التدابير السريرية من شدة المرض أو تدابير نفسية طبيعية، وذلك بتحديد المناطق تشريحيا نمط المرجح للغاية، ويمكن لنا أن نفسر بشكل غير مباشر على أهمية هذه الأنماط. وعلاوة على ذلك، هي التي شيدت أنماط PC مركب والتركيبات الخطية من أجهزة الكمبيوتر ذات المعاملات المشتقة باستخدام الانحدار اللوجستي، مع المعايير النظرية المعلومات Akaike أو الأخرى المفروضة على القيم نقاط المقابلة. ورغم أن هذه قد تؤدي إلى التمييز بشكل أفضل، فإنها قد تتضمن مكونات أقل أهمية مع معاملات أعلى بشكل غير متناسب. وبالتالي، قد التغاير تصاميم المصممة للالتشخيص التفريقي دقيقة من مشابهة سريريا "شبيهي مثل" الشروط ("المؤشرات الحيوية التشخيص") تكون المركبات المعقدة الفيزيائية كيميائيعمليات القاعدة وليس بالضرورة المقابلة لشبكات فعلية للتفسير بسهولة 13. على النقيض من ذلك، قد تكون أنماط أخرى الأمثل لالتقاط بصمات الطبوغرافية من مظاهر مرض معين مثل الهزة الشلل الارتعاشي أو الضعف المعرفي 15،51،52، أو لرصد تطور المرض 7،16. ينبغي النظر في الهدف المحدد من وظيفة العلامات البيولوجية في اتخاذ الاختيار النهائي.

فمن الضروري للتحقق من صحة العلامات البيولوجية المحتملة من خلال تقييم عشرات موضوع المحتملين في الأفواج المستقلة 10. ويفضل، عبر التحقق من صحة وينبغي أن يؤديها في البداية في عينة الاشتقاق لتحديد موثوقية تضاريس نمط على أساس فوكسل تلو فوكسل واستبعاد آثار الخارجة المحتملة. وتحقيقا لهذه الغاية، إجراءات إلباس الحذاء 8،9 تنفذ بشكل روتيني. ويتطلب هذا النهج تكرارية اشتقاق نمط في البيانات الاشتقاق الوصله لتحديد V أقوىoxels، أي أولئك الذين لديهم أدنى انحراف معياري في الوزن فوكسل. بواسطة اختياريا اخفاء البيانات الأصلية لإزالة voxels أقل موثوقية، لا يمكن أن يتحقق التمييز العليا للنمط rederived التي يجب ثم يمكن التحقق من صحة البيانات في مجموعات المحتملين.

وكما لوحظ سابقا، مرة واحدة وقد تم إنشاء SSM / PCA العلامات البيولوجية فإنه يمكن تطبيقها على الفرد المحتملين أو بيانات المجموعة. عشرات المستمدة يمكن استخدامها لمراقبة حالة المريض عن طريق قياس التقدم في شبكة بيانات التصوير الطولي، أو لتقييم آثار العلاج. في الحالات المعقدة من التشخيص غير محددة، ويمكن ادخال مجموعات من عشرات الموضوع في تحليل الانحدار اللوجستي (أو في غيرها من النماذج وظيفة التمايز) للتمييز بين بدائل مختلفة 12،13. يمكن لهذا النهج أن يكون في غاية الاهمية نظرا لارتفاع معدل خطأ في التشخيص السريري في الأشخاص الذين يعانون المرض في وقت مبكر، والتكهن متفاوتة ونتائج العلاج المرتبطة underlyin مختلفةز الأمراض. وكنقطة أخيرة، يمكن أن يكون نمط يستند إلى SSM تقييم نقاط المجموعة أداة قيمة في التجارب السريرية من العلاجات التجريبية لاضطرابات الدماغ 15،53،54.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

يتم سرد الدكتور Eidelberg كما شارك في مخترع اثنين من براءات الاختراع الولايات المتحدة على استخدام علامات التصوير لفحص المرضى عن اختلال وظيفي في الجهاز العصبي (دون تحقيق مكاسب مالية). لا يوجد المزيد من الإيضاحات.

Acknowledgments

وأيد هذا العمل من قبل منحة رقم P50NS071675 (موريس K. مركز يودال التميز البحثي في ​​مرض باركنسون في معهد فينشتاين للأبحاث الطبية) إلى DE من المعهد الوطني للاضطرابات العصبية والسكتة الدماغية. المحتوى هو فقط من مسؤولية الكتاب ولا تمثل بالضرورة وجهة النظر الرسمية للمعهد الوطني للاضطرابات العصبية والسكتة الدماغية أو المعاهد الوطنية للصحة. لم الكفيل لا تلعب دورا في تصميم الدراسة، وجمع وتحليل وتفسير البيانات، كتابة التقرير أو في قرار تقديم الورقة للنشر.

Materials

Name Company Catalog Number Comments
Image Acquisition
PET Scanner GE Medical Systems GE Advance Any PET, PET/CT and PET/MRI Scanners from GE, Siemens and Philips
PC Workstations Lenovo Any http://www.lenovo.com/us/en/
Radiopharmaceuticals
[18F]-fluorodeoxyglucose Feinstein Institute for Medical Research Routine Production Also distributed by Cardinal Health http://www.cardinal.com/
Software
ScanVP Feinstein Institute for Medical Research Version 5.9.1, Version 6.2, To be released www.feinsteinneuroscience.org
SPM The UCL Institute of Neurology spm99-spm8 http://www.fil.ion.ucl.ac.uk/spm
Windows Microsoft Any
Matlab Mathworks Matlab Version 7.0, 7.3 http://www.mathworks.com/
JMP SAS Version 5 http://www.jmp.com/

DOWNLOAD MATERIALS LIST

References

  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).

Tags

الطب، العدد 76، بيولوجيا الأعصاب وعلم الأعصاب، علم التشريح، علم وظائف الأعضاء، علم الأحياء الجزيئي، أمراض بصل العقد، اضطرابات الشلل الرعاش، ومرض باركنسون، واضطرابات الحركة، أمراض الاعصاب، PCA، SSM، PET، المؤشرات الحيوية التصوير، وتصوير الدماغ الوظيفية، متعدد المتغيرات تحليل التباين المكاني، تطبيع العالمية، التشخيص التفريقي، PD، والدماغ، والتصوير، والتقنيات السريرية
تحديد الأمراض ذات الصلة أنماط التباين المشترك المكانية باستخدام بيانات تصوير الأعصاب
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Spetsieris, P., Ma, Y., Peng, S.,… More

Spetsieris, P., Ma, Y., Peng, S., Ko, J. H., Dhawan, V., Tang, C. C., Eidelberg, D. Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data. J. Vis. Exp. (76), e50319, doi:10.3791/50319 (2013).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter