Summary
Multivariate technieken zoals principale componenten analyse (PCA) zijn gebruikt om handtekening patronen van regionale veranderingen te identificeren in de functionele hersenen afbeeldingen. We hebben een algoritme om reproduceerbare netwerk biomarkers te identificeren voor de diagnose van neurodegeneratieve aandoeningen, evaluatie van progressie van de ziekte, en de objectieve evaluatie van de effecten van de behandeling in patiëntenpopulaties ontwikkeld.
Abstract
De geschaalde subprofiel model (SSM) 1-4 is een multivariate PCA-gebaseerd algoritme dat grote bronnen van variatie identificeert in patiënten en controlegroep hersenen beeldgegevens terwijl het verwerpen van mindere onderdelen (Figuur 1). Rechtstreeks op voxel-by-voxel covariantie gegevens van steady-state multimodaliteit beelden, kan een hele groep afbeelding ingesteld worden teruggebracht tot een paar belangrijke lineair onafhankelijke covariantie patronen en bijbehorende onderwerp scores. Elk patroon, aangeduid als een groep invariant subprofiel (GIS), een orthogonale principal component die een ruimtelijk aaneenschakeling van functioneel verbonden hersengebieden vertegenwoordigt. Grote wereldwijde gemiddelde scalaire effecten die kleiner netwerk-specifieke bijdrage kan verduisteren worden verwijderd door de inherente logaritmische conversie en het gemiddelde centrering van de gegevens 2,5,6. Onderwerpen uiten elk van deze patronen in een variabele mate vertegenwoordigd door een eenvoudige scalaire score die kan correleren met onafhankelijke Clinsche of psychometrische descriptoren 7,8. Met behulp van logistische regressie-analyse van het onderwerp scores (dwz patroon uitdrukking waarden), kan lineaire coëfficiënten worden afgeleid om meerdere hoofdcomponenten in enkele ziekte-gerelateerde ruimtelijke covariantie patronen, dwz samengestelde netwerken combineren met verbeterde discriminatie van patiënten uit gezonde controlepersonen 5,6. Cross-validering binnen de afleiding set kan worden uitgevoerd met behulp van bootstrap resampling technieken 9. Forward validatie wordt gemakkelijk bevestigd door directe score evaluatie van de afgeleide patronen in potentiële datasets 10. Eenmaal bevestigd, ziektegerelateerde patronen kunnen worden gebruikt om individuele patiënten scoren ten opzichte van een vaste referentie monster vaak reeks gezonde proefpersonen die werd gebruikt (met de groep ziekte) in het oorspronkelijke patroon afleiding 11. Deze gestandaardiseerde waarden kunnen op hun beurt worden gebruikt om te helpen bij de differentiële diagnose 12,13 en om ziekte te beoordelenprogressie en behandeling effecten op netwerkniveau 7,14-16. We presenteren een voorbeeld van de toepassing van deze methode om FDG PET gegevens van de ziekte van Parkinson patiënten en normale controles met behulp van onze in-house software om een karakteristiek covariantie patroon biomarker van de ziekte af te leiden.
Introduction
Neurodegeneratieve aandoeningen zijn uitgebreid bestudeerd met technieken die lokaliseren en kwantificeren van afwijkingen van de hersenen metabolisme als niet-inductieve methoden die regionale interacties bestuderen 17. Data-driven multivariate analytische strategieën zoals principale componenten analyse (PCA) 1,2,4,18 en onafhankelijke componenten analyse (ICA) 19,20, evenals toezicht technieken zoals partial least squares (PLS) 21 en ordinale trends canonieke variates analyse (ORT / CVA) 22 kan onthullen karakteristieke patronen of "netwerken" van samenhangende activiteiten. De basis van multivariate procedures, met name de geschaalde deelprofiel model (SSM) 1,2,4-6,18 zijn eerder beschreven in Jupiter 3. Dit PCA gebaseerde benadering is oorspronkelijk ontwikkeld om abnormale functionele covariantie relaties tussen hersengebieden onderzoeken in steady-state enkel volume beelden van cerebrale doorbloeding en stofwisseling ACQuired in de rusttoestand van modaliteiten zoals PET en SPECT dat een hoge signaal-ruis vertonen. Ziektespecifieke SSM patronen zijn beeldvormende biomarkers die algemene verschillen in de regionale topografie bij patiënten met een normale nierfunctie 7,16 en kan een enkel netwerk proces of de assimilatie van meerdere complexe abnormale functies 23 weerspiegelen weerspiegelen. Metabole covariantie patroon hersenen netwerken worden geassocieerd met expressie waarden (onder voorbehoud scores) die onderscheid kunnen maken tussen normale en ziekte groepen en zorgen voor netwerk-gebaseerde maatregelen die correleren met de klinische score van de ernst van de ziekte. Typisch, onderwerp scores voor dergelijke patronen toenemen ziekteprogressie en kan zelfs voordat tot symptoombegin 14,24. Inderdaad, ziektegerelateerde netwerk biomarkers gekarakteriseerd voor neurodegeneratieve aandoeningen zoals de ziekte van Parkinson 10 (PD), ziekte van Huntington 25 (HD), en Alzheimer 8 12,13,26.
In tegenstelling, typische fMRI voxel-based univariate methoden te bepalen van de betekenis van verschillen tussen patiënten en controles in geïsoleerde hersenen clusters. Meer recent zijn werkwijzen ontwikkeld om functionele connectiviteit meten tussen verschillend gedefinieerde hersengebieden 27-29. Deze definitie van functionele connectiviteit is beperkt tot onderwerp en regio specifieke interacties en wijkt af van de oorspronkelijke SSM / PCA concept dat verwijst naar de cross-sectionele interconnectiviteit van intrinsiek ruimtelijk verdeeld hersenen netwerk regio 1,2,23,30. In hun voordeel, MRI platforms eenre gemakkelijk geïnstalleerd schaal beschikbaar, non-invasieve en vereisen typisch minder scantijd dan traditionele tracer beeldvormingsmodaliteiten zoals PET of SPECT resulteert in een toename van mogelijke methodologieën recente literatuur. Echter, de resulterende tijdsafhankelijke fMRI signalen indirecte maatregelen van lokale neurale activiteit 31,32. De algemeen complexe analyse algoritmen toegepast zijn beperkt door de grootte van datasets, de fysiologische ruis inherent in fMRI signalen, alsook de hoge variabiliteit in hersenactiviteit die bestaat tussen onderwerpen en gebieden 19,23. Hoewel interessante informatie over de hersenen organisatie kan worden afgeleid uit de eigenschappen van fMRI "netwerken", hebben ze niet voldoende stabiel is om te worden gebruikt als betrouwbare ziektebiomarkers geweest. Bovendien is de resulterende netwerk topografieën zijn niet noodzakelijkerwijs gelijk aan die welke zijn vastgesteld met behulp van gevestigde functionele beeldvorming methodieken als SSM / PCA. Voor the grootste deel, rigoureuze cross-validering van het fMRI topografieën heeft ontbroken met enkele voorbeelden van succesvolle forward toepassing van afgeleide patronen in prospectieve scangegevens van enkele gevallen.
Een voordeel van PCA covariantieanalyse ligt in haar vermogen om de belangrijkste bronnen van variatie gegevens identificeren de eerste hoofdcomponenten maar is niet effectief als de prominente eigenvectoren vertegenwoordigen ruis factoren dan de werkelijke intrinsieke netwerkrespons. Door alleen de eerste paar eigenvectoren selecteren en te beperken tot degenen die significante verschillen in patiënten versus normale controle scores laten zien, we sterk verminderen van de invloed van ruis elementen. Voor de basisbenadering beschreven, deze maatregelen niet voldoende zijn om robuuste schatters in een typisch fMRI dataset met uitzondering van de hierna beschreven wijze genereren.
Aldus, vanwege de stabiele rechtstreeks verband tussen regionale glucose metabolisme en synaptische activiteit 33, heeft deze werkwijze in de eerste plaats toegepast op de analyse van rusttoestand FDG PET data. Echter, gezien het feit dat cerebrale doorbloeding (CBF) is nauw gekoppeld aan metabolische activiteit in de rusttoestand 10,11,34, SPECT 35,36 en meer recent arteriële spin labeling (ASL) MRI perfusie imaging methoden 37,38, zijn gebruikt abnormale metabolische activiteit afzonderlijk geval te beoordelen. Dat gezegd hebbende, de afleiding van betrouwbare ruimtelijke covariantie patronen met resting state fMRI (rsfMRI) is zoals eerder niet opgemerkt ongecompliceerd 31,32. Toch voorlopige SSM / PCA van rsfMRI gegevens van PD-patiënten en controlepersonen is gebleken bepaalde topografische homologieën tussen ziekte-gerelateerde patronen die met beide modaliteiten, PET en amplitude laagfrequente fluctuaties (ALFF) van BOLD fMRI 39,40 . Ten slotte hebben we ook rekening mee dat deze aanpak met succes is toegepast in voxel based morphometrie (VBM) structurele MRI data 41,42, waaruit onderscheidende ruimtelijke covariantie patronen geassocieerd met leeftijd gerelateerde volumeverlies en in verdere vergelijkingen van VBM en ASL patronen in dezelfde onderwerpen 43. De relatie tussen de SSM / PCA ruimtelijke covariantie topografieën en analoge hersenen netwerken geïdentificeerd met behulp van verschillende analytische benaderingen en imaging platforms is een onderwerp van lopend onderzoek.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Data Collection en Preprocessing
- De SSM / PCA-methode kan worden toegepast op enkel volume beelden verzameld uit verschillende bronnen en modaliteiten. Specifiek voor de on-site PET beeldvorming van de stofwisseling, bereiden een geschikte radionuclide tracer, zoals [18 F]-fluorodeoxyglucose (FDG) en dienen aan elke patiënt. Patiënten worden meestal gescand in rust ogen open, na een vasten van ten minste 12 uur, van medicijnen.
- Scan elk onderwerp voor individu of groep assessment. Voor patroon afleiding, scant een gelijk aantal mannen en vrouwen-en leeftijd-gematchte patiënten en controles.
- Overdracht van gegevens naar een werkstation en converteren naar een geschikt formaat voor analyse in uw platform. Onze ramen PC gebaseerd MATLAB analyse software (scanvp, ssm_pca, www.feinsteinneuroscience.org ) vereist ANALYZE of nifti formaat beelden (Mayo Clinic, Rochester, MN). Het biedt een conversie routine to transform GE Advance (Milwaukee, WI, USA) scanner en andere formaat afbeeldingen naar indeling ANALYSE.
- Normaliseren imago van elke proefpersoon een gemeenschappelijke stereotaxisch ruimte (bv. Montreal Neurological Institute [MNI]) met behulp van een standaard neuroimaging softwarepakket zoals statistische parametrische mapping (SPM) ( http://www.fil.ion.ucl.ac.uk/spm ) zodat er een een-op-een voxel waarden tussen personen (Figuur 2). Masking de analyse te beperken tot grijze stof gebieden (figuur 3) en log transformatie worden beschreven in de volgende stappen.
2. Voer Multivariate SSM / PCA
Bewerkingen voor multivariate SSM / PCA (figuur 4) kan worden uitgevoerd door externe software. De stappen hieronder gespecificeerd weerspiegelen de procedures uitgevoerd voor het grootste deel automatisch door onze in-house routines (figuur 5) (scanvp / ssmpca, www.feinsteinneuroscience.org ook beschikbaar als een SPM toolbox ssm_pca).
- Mask gegevens met behulp van een afbeelding beschikbaar 0/1 tot ongewenste gebieden van de voxel ruimte, zoals de witte stof en de ventrikels te verwijderen. Met behulp van de ssmpca routine, krijgt de gebruiker een optie om de standaard of andere externe masker (figuur 3) te selecteren of om het programma een masker automatisch maken door het verwijderen van waarden lager dan een gekozen vaste percentage van de maximale elk onderwerp met de gegevens. Individuele onderwerp maskers worden vervolgens vermenigvuldigd met een samengestelde masker bepalen. De gebieden binnen het masker wordt een gemeenschappelijk nul voxelruimte voor de analyse.
- 3D gemaskerde afbeelding voxeldata van elke proefpersoon om te zetten in een aaneengesloten rij vector door toevoegen van opeenvolgende scanlijnen van opeenvolgende vlakken (figuur 4a). Vormen een groep datamatrix (D), zodat de gegevens van elke proefpersoon komt overeen met een bepaalde row van de matrix. Elke kolom vertegenwoordigt dan een bepaalde voxel over onderwerpen. Idealiter biomarker voor afleiding, de matrix samengesteld uit een gelijk aantal rijen normale controle subject databank ziekte onderwerpsgegevens.
- Transformeer elke gegevensinvoer te logaritmische vorm.
- Midden de data matrix door het aftrekken van elke rij gemiddeld of onder verstaan uit de rij elementen. Het gemiddelde van alle gecentreerde rijen vertegenwoordigt een karakteristieke groep betekenen image log genoemd een groep gemiddelde profiel (GMP, figuur 4a). Trek de kolom betekent dat de elementen van de GMP van de overeenkomstige matrix kolom elementen. Elke rij van de dubbele gecentreerde matrix staat voor een imago 'residuele' genoemd een onderwerp residuele profiel (SRP) waarvan de elementen vertegenwoordigen afwijkingen van zowel het onderwerp s en voxel v groep middelen (figuur 4b).
SRP sv = logd sv - bedoel s - GMP v - Construeer de Subject per subject covariantiematrix C van de samengestelde dubbele gecentreerde gegevensmatrix door het berekenen van de niet-genormaliseerde covariantie tussen elk paar subject i, j van SRP matrixrijen geëvalueerd als een product van corresponderende voxel elementen gesommeerd over alle voxels v (figuur 4b) .
C ij = Σ v (SRP iv x SRP jv) - Toepassing PCA op het onderwerp-door-onderwerp covariantiematrix C. De resultaten zullen een reeks van onderwerp score eigenvectoren met bijbehorende eigenwaarden zijn. Wegen elke vector door te vermenigvuldigen met de vierkantswortel van de bijbehorende eigenwaarde. De set van waarden eigenvectoren wordt weergegeven door de kolommen van de resulterende matrix S in figuur 4c.
- Voxel eigenvectoren van dezelfde reeks eigenwaarden kan worden bepaald door de PCA kolomsgewijs covariantiematrix of deze alternatieve computationeel minder veeleisende proceure weergegeven in (figuur 4c). Links vermenigvuldig de eerder afgeleide score vector matrix door de omzetting van SRP-matrix om een array P van voxel patroon eigenvectoren ontlenen in dalende volgorde van eigenwaarden (Figuur 4c, figuur 6, figuur 7a).
P = SRP T x S
Elke kolom vector vertegenwoordigt een van de belangrijkste component (PC) image patroon van de SSM / PCA analyse toegeschreven aan een procent van de totale variantie verantwoord (VAF) overeenkomt met de relatieve omvang van haar eigenwaarde.
3. Patroon Biomarker Afleiding
- Onderzoek de resultaten van de voorgaande analyse PC patronen die worden geassocieerd met hoge VAF heeft bepaald. Binnen onze routine, voxel patroon vectoren zijn zo Z-getransformeerde dat hun waarden vertegenwoordigen positieve en negatieve standaarddeviaties van hun gemiddelde waarde. Vervolgens worden ze omgevormd tot beeldformaat voorafgaand aan geven (figuur 7a).
- Scores die overeenkomen met elke PC patroon worden weergegeven als staafdiagrammen en puntgrafieken (figuur 7). Een optionele ROC perceel kan worden gegenereerd (figuur 7d). Om een ziekte-specifiek patroon te identificeren, let op de differentiatie van onderwerp scores tussen patiënten en controles gereflecteerd door de p-waarden van de overeenkomstige twee-sample t-tests en AUC-waarden. Beperk de analyse welke computers met een hoog VAF en hoge differentiatie voor bepaalde vaste cutoff waarden (bijv., p <0,05 en VAF> 5%). Typisch, slechts een of twee pc's voldoen aan dit criterium voor PET-data.
- Er zijn varilende andere manieren voor PC selectie die kan worden beschouwd 44. De scree plot van sequentiële eigenwaarden (figuur 6) kan een scherpe cutoff waarde vertegenwoordigd door een bocht in de bocht en een scherpe daling van de helling van de curve te geven waar eigenwaarden beginnen te degenereren. Een andere benadering is om alle pc's die goed zijn voor de top 50% van de variantie bevatten. Een algemeen geaccepteerde procedure is om te berekenen de Akaike Information Criterion (AIC) 45 om te bepalen welke combinatie van pc's het model te definiëren met de laagste AIC waarde die onderscheid kunnen maken tussen patiënten en controles.
- De geselecteerde PC (s) kan worden vector genormaliseerd en lineair gecombineerd tot een enkele ziekte-gerelateerde patroon opleveren. Onze software gebruikt optioneel MATLAB functie glmfit om coëfficiënten gebaseerd op logistische regressie of andere modellen toegepast op onderwerp scores bepalen. Hoewel differentiatie van patiënten en controlegroepen verbetert meestal met de aanvullende pc's als in de derivation groep, de resulterende patronen zijn een samengestelde voorstelling die niet kan overeenkomen met een enkel fysiek netwerk of kunnen uitschieter afwijkingen (figuren 7a en 7c) nemen.
- Verdere validatie is vereist voor betrouwbaarheid en toekomstige betekenis. Bootstrap resampling kan worden uitgevoerd zoals hieronder besproken 8 de meest betrouwbare voxels binnen de oorspronkelijke afleiding dataset verbonden met de minste standaardafwijking herhaald patroon afleiding identificeren. Forward validatie wordt uitgevoerd om te testen voor de gevoeligheid en specificiteit van discriminatie onafhankelijke groep door het afleiden van scores voor potentiële groepen patiënten en controles met behulp van de single-subject score evaluatiemethode (figuur 4d) in het volgende segment van het protocol beschreven.
4. Single-subject Prospective Score Evaluatie met behulp van een vooraf gedefinieerde Biomarker
- Zodra een belangrijke SSM-GIS biomarker patroonis geïdentificeerd, kan een score voor de expressie in een prospectieve onderwerp worden geëvalueerd uit dat individuele scan met behulp van een eenvoudige berekening van de interne vector product van het onderwerp SRP vector en de GIS-patroon vector (figuur 4d, figuur 7d).
SCORE = SRPs • Patroon - De vorige operatie is geautomatiseerd door onze TPR routine. Echter, onafhankelijk leiden onderwerp SRPs vector met de bijbehorende intrinsieke GIS masker op de log-getransformeerde gegevens en aftrekken zowel onderwerp gemiddelde en de corresponderende voxel waarden van de referentiegroep prederived GMP zoals in stap 2.4. Dit garandeert dat scores kunnen worden vergeleken met de vooraf bepaalde referentiewaarden. Scores voor een nieuwe groep soortgelijke wijze geëvalueerd als een set van mogelijke scores enkel onderwerp. Voor gebruik met een andere referentiegroep of instelling kan GMP worden gekalibreerd terwijl de patroon is ongewijzigd.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Een eenvoudige toepassing van multivariate SSM / PCA analyse naar een neuroimaging biomarker patroon voor PD ontlenen wordt hieronder geïllustreerd. PET FDG beelden van tien klinisch gediagnosticeerde PD-patiënten (6M/4F, 59j ± 7j sd) van variabele zieke duur (9y ± 5j sd) en tien leeftijd en geslacht aangepaste normale controles (6M/4F, 58y ± 7j sd) werden geanalyseerd met behulp onze ssmpca routine. De twintig bijbehorende ruimtelijk pre-genormaliseerde beelden werden in eerste instantie geselecteerd onder de categorieën ziekte onderwerpen of controles, samen met de standaard masker (figuur 3). De programma-uitvoer de eerste 16 hoofdcomponent beeldbestanden en een bestand lijst van de bijbehorende scores samen met een screeplot van sequentiële eigenwaarden (Figuur 6). Sequentiële PC beelden en bijbehorende bar en spreidingsgrafieken werden weergegeven op het scherm voor de initiële beoordeling zoals afgebeeld in de figuren 7a en 7b. Merk op dat de eerste pc-component verwerkthet grootste VAF (24%) en de bijbehorende onderworpen scores significant onderscheiden patiënten controles (p = 0,0002) gebaseerd op twee-sample t-test en vergelijking ROC kenmerken (AUC = 0,99, gevoeligheid = 0.93 op specificiteit = 0.95). Om deze redenen kan worden beschouwd als een biomarker op zichzelf en is in feite zeer ruimtelijk gecorreleerd met een eerder verkregen PD biomarker PDRP 46,47 (R2 = 84%, p <0,001) gevalideerd talrijke potentiële datasets 5. Het tweede patroon (p = 0,81, AUC = 0,54) en derde patroon (p = 0,38, AUC = 0,63) niet significant discrimineren en kunnen afkomstig zijn van normale processen die niet sterk worden beïnvloed door de ziekte. De vierde patroon (VAF = 7%) discrimineert in veel mindere mate dan de eerste PC (p = 0,13, AUC = 0,71) en kan geassocieerd zijn met minder prominent ziektefactoren. Door afnemende VAF waarden (<7%) gecombineerd met niet-significant discriminatie van normale en patiënt scores (p> 0,4) werden verder PCs genegeerd.De degeneratie van eigenwaarde verschil is geïllustreerd in figuur 6.
De eerste en vierde patronen waren vector genormaliseerd en lineair gecombineerd met behulp van onze software voor het bijbehorende coëfficiënten (0,78, 0,63) voor optimale discriminatie patiënten / controle Score met een logistiek discriminatie model te bepalen. De samengestelde GIS resulteert in een betere discriminatie zoals aangegeven door de p-waarde (p = 10 -5, figuur 7b) en een perfecte AUC waarde van 1,0 voor de afleiding groep. De samengestelde VAF (17.3%) hiermee gemoeid is gegeven als de som van de individuele vafs (24%, 7%) gemodificeerd door het kwadraat van de lineaire coëfficiënten. Merk echter op dat dit model bereikte hogere discriminatie door aan een onevenredig hoge coëfficiënt (in vergelijking met VAF waarden) naar de minder belangrijke PC4. Nog hoger discriminatie in de afleiding groep kan worden bereikt met behulp van extra componenten met dezelfde reservering. In our geval er slechts geringe verbetering door toevoeging PC3 (p = 3x10 -6) (fig. 7c) en geen verbetering door alle vier PC (p = 10 -5) vanwege de niet-discriminant aantal PC2. Alle van de gecombineerde patronen hadden perfect ROC kenmerken (AUC = 1 en gevoeligheid = 1, specificiteit = 1 voor een lage Z-score drempel). Echter, deze waarden zijn specifiek voor de afleiding groep. De geldigheid van de definitieve biomarkers moet worden nagegaan in prospectieve evaluatie zoals hier uitgevoerd voor een onafhankelijke groep van 22 patiënten (15M/7F, 57y ± 9y sd; ziekteduur 10j ± 4j sd) en 22 controles (4M/18F, 55j ± 15y sd) (figuur 7d). Hoewel significant hoger differentiatie in de afleiding groep werd bereikt door meerdere PC werd dezelfde relatieve voordeel in de testgroep gehandhaafd alhoewel vier combinaties presteerden goed. De eerste pc gedemonstreerd hogere gemiddelde differentiatie in de prospectieve groep DATa (p = 5x10 -8, AUC = 0.95) dan de gecombineerde patronen PC1_3_4 (p = 2x10 -7, AUC = 0.95) en PC1_2_3_4 (p = 6x10 -7, AUC = 0,92) toe te schrijven aan zijn aangeboren geldigheid. Een klein voordeel werd bereikt door het additief PC1_4 (p = 3.2x10 -8, AUC = 0,96). Hoewel de potentiële AUC waarde iets hoger voor PC1_4 de gevoeligheid voor een specificiteit van 0,95 lijkt af te nemen bij toevoeging pc's een waarde van ongeveer 0,8 tot 0,5 voor PC1 voor PC1_2_3_4. Duidelijk meer uitgebreide bemonstering zou nodig zijn om deze waarden te oordelen naar de toenemende onregelmatigheid van het ROC plot nauwkeuriger te voorspellen. Bovendien kan een hogere nauwkeurigheid kunnen worden bereikt door een grotere afleiding groep zoals in eerdere publicaties. Toch blijkt uit deze displays die dezelfde discriminant nauwkeurigheid bereikt in de afleiding groep niet altijd generaliseren onafhankelijke groep evaluatie noodzakelijk prospectieve validatie van de afleiding patronen.
Zo, onze originele dataset van 20 onderwerpbeelden werd teruggebracht tot een essentiële pc image patroon PC1 die goed presteerde als een diagnostische biomarker van de ziekte in 44 prospectieve onderwerpen.
Figuur 1. Schematische voorstelling van SSM / PCA Modeling Strategy. Normaal en geduldig scanner data wordt verwerkt door de SSM / PCA algoritmen om een neuroimaging biomarker en bijbehorende onderwerp scores ontlenen. Het gemiddelde verschil tussen patiënt en normaal onderwerp scores significant is. Klik hier om een grotere afbeelding te bekijken .
Figuur 2. Voorbewerking en maskeren van gegevens. Raw scanner beelden zijn ruimtelijk genormaliseerd in kaart voxels een gemeenschappelijke stereotaxisch ruimte voor alle vakken en gladgestreken met een Guasian kernel. De maskerende werking verwijdert ventriculaire ruimte en lawaai.
Figuur 3. Deze default 0/1 grijze stof masker is gemaakt bij de verwerking van 72 normale proefpersonen. Individuele ruimtelijk genormaliseerde data werd thresholded op 38% van hun maximale waarde aan de individuele maskers die samen werden vermenigvuldigd creëren. De multiplicatieve masker werd omgedraaid links naar rechts door de oorsprong en vermenigvuldigd met het origineel aan de uiteindelijke symmetrized masker te creëren.
Figuur 4. Doorstroming Pad van SSM / PCA Processing. A) Betreft vector formulering van datamatrix. Log transformatie. Rij centreren. Evaluatie van de GMP vector. B) Kolom centrering. Afleiding van SRP. De bouw van de covariantiematrix C. c) Principal Component Analysis. Afleiding van PC score vectoren en voxel patronen. D) Prospective enkel onderwerp score berekening. Klik hier om een grotere afbeelding te bekijken .
Figuur 5. Software. Voor het uitvoeren van SSM / PCA kan de gebruiker de voxel based SSM / PCA optie te selecteren uit het ScAnVP menu, selecteer patiënt beeldbestanden en normale controles, een geprefereerde masker en vervolgens proces. Log transformatie wordt uitgevoerd door standaard. Na controle van de output en het scherm weergegeven percelen en afbeeldingen, kan de gebruiker ervoor kiezen om lineair te combineren geselecteerde PC's met behulp van logistische regressie-of andere modellen om een biomarker met hogere patiënt / normaal discriminatie score te creëren. Klik hier om een grotere afbeelding te bekijken .
Figuur 6. Screeplot. Dit Puinhellingen perceel van sequentiële eigenwaarden van de niet-genormaliseerde per thema covariantiematrix gevolg van de SSM / PCA analyse van 10 PD-patiënten en 10 normale controles. Opmerkende scherpe daling van de eigenwaarden na de eerste PC. Verschillen tussen de eigenwaarden zijn klein na de 4 de PC.
Figuur 7 SSM / PCA programma-uitvoer a) Top:.. Axiale display (Z = 0) van de eerste vier hoofdcomponent afbeeldingen (PC1 tot 4). Bottom: Orthogonal uitzicht door afkomst (X, Y, Z = 0,0,0) van PC1 en gecombineerde PC's 1 en 4 (PC1_4) weergegeven over een structurele MRI-beeld. PC voxelwaarden vertegenwoordigen positieve en negatieve Z-score afwijkingen ten opzichte van de gemiddelde voxel laden. Hete kleuren geven de relatieve toename van de metabole activiteit in de bijdrage van de PC's aan de totale SRP terwijl koude kleuren geven de relatieve metabolische afneemt. Voor PC's die discrimineren patiënten uit controles die afwijkingen kunnen attribuut wordend tegen ziekten. b) staafdiagrammen en scatterplots van de afleiding onderwerp Z-scores van PC1 en PC4. Alleen de eerste hoofdcomponent significant onderscheid patiënten van controles (p = 0,0002), terwijl de vierde toont een trend (p = 0.13). De lineaire logistieke combinatie van PC1 en PC4 (coëfficiënten 0,78, 0,63) verbetert discriminatie (p = 0,00001). De ROC AUC waarde en de gevoeligheid voor een specificiteit van 0.95 worden ook weergegeven voor elk patroon. De gecombineerde patroon PC1_4 demonstreert perfect scheiding bij een Z-score van 0,9 (AUC = 1). C) Orthogonal uitzicht gecombineerde PC1_3_4 en PC1_2_3_4 en bijbehorende onderwerp staafdiagrammen voor afleiding onder Z-scores. Discriminatie verhoogd (p = 3x10 -6 -5 en 10, respectievelijk) in vergelijking met die van PC1 voor beide verschillende combinaties. AUC kenmerken aangegeven perfecte scheiding in beide gevallen (AUC = 1, gevoeligheid = 1, specificiteit = 1). Zie opmerking in legenda 7a betrefting de kleurenschaal. d) Prospective score evaluatie van patronen PC1, PC1_4, PC1_3_4 en PC1_2_3_4 op 22 normale controles en 22 PD-patiënten. Bar en scatter-plot grafieken evenals de ROC plot voor onder Z-scores worden weergegeven en AUC-waarden, alsmede de gevoeligheid bij een specificiteit van 0.95 is aangegeven .. De AUC-waarden en-gevoeligheid afnemen voor meer dan twee combined hoofdcomponenten terwijl p-waarde sterker minder robuuster. Een onbelangrijke verbetering werd genoteerd voor PC1_4 in AUC en p-waarden ongeldig het significant verschil voorspelde in de afleiding monster. Klik hier om een grotere afbeelding te bekijken .
Subscription Required. Please recommend JoVE to your librarian.
Discussion
De SSM / PCA model oorspronkelijk door Moeller et al.. 4 1-3 heeft ontwikkeld tot een eenvoudige en robuuste techniek voor de analyse van neuroimaging data. Er zijn onduidelijkheden zijn bij de toepassing van deze methodologie die we hebben geprobeerd om naar en in eerdere 5-7,10 verduidelijken. Sommige van deze problemen zijn in de tekst zijn aangepakt, maar worden hier reemphasized wegens hun belang. Zoals in de inleiding, SSM / PCA is vooral effectief in rusttoestand FDG PET-data, maar is ook met succes gebruik van andere enkel volume beeldvormende technieken en scannen platforms, waaronder H 2 15O PET en 99mTc-ECD SPECT, evenals perfusie ASL en volumetrische VBM MRI. De succesvolle toepassingen bij tijdreeksen rsfMRI vereist de toekomstige ontwikkeling van de sterk verbeterde technieken 48.
De grote kracht van SodM ligt in zijn vermogen om te identificerenbronnen van variatie in de gegevens en te scheiden in ruimtelijk orthogonale componenten. In de meeste studies enkele belangrijke onderdelen zijn toe te schrijven aan ziekte effecten, dus drastisch verminderen van de relevante gegevensset. De ziekte-specifieke componenten te identificeren, we idealiter onder gelijke aantallen ziekte proefpersonen met geslacht en leeftijd gematchte gezonde controlepersonen in een gecombineerde groep analyse 2,5. In deze situatie, afwijkingen van de normale waarde door ziekten doorgaans klein in absolute termen en verduisterd door grotere mondiale factoren die niet discrimineren patiënten controles 2,5,6. PCA is een effectief analytisch hulpmiddel bij de verdeling van de data is bijna Guassian 49. Het SodM procedure voert log transformatie die in feite zet de gegevens in een log normale verdeling 50 en scheidt vermenigvuldigende factoren in additieve termen. Latere onderwerp bedoel centrering (rijgemiddelde aftrekken) is een noodzakelijke stap die elke s verwijdertOnder voorbehoud wereldwijde schaalfactoren van de loggegevens. Dit houdt in dat voorafgaand onderworpen wereldgemiddelde normalisering geen effect in SSM hoewel het algemeen een noodzakelijke stap in de analytische preprocessing neuroimaging procedures. Evenzo pre-normalisatie door een regionale gemiddelde heeft geen effect.
De gemiddelde gecentreerde log beelden worden gemiddeld over onderwerpen op het GMP-beeld dat kan worden beschouwd als een onveranderlijke eigenschap bestand van vergelijkbare cohorten genereren. De daarop volgende kolom centreren dan proefpersonen verwijdert regionale middelen (GMP) naar onderwerp residuele SRP beelden te creëren. De SRP vectoren worden in de PCA ingevoerd om een set van orthogonale PC patronen en referentiegroep scores per PC genereren. In prospectieve enkel onderwerp score evaluatie, groep analyse is niet noodzakelijk; SRP het onderwerp wordt geëvalueerd door het aftrekken van het onderwerp gemiddelde en de referentiegroep GMP en de score van het onderwerp wordt dan bepaald als het scalair inproduct van de SRP vector ende prederived PC patroon vector. Deze score valt meestal binnen het bereik van de referentie-scores op voorwaarde dat de nieuwe gegevens worden verkregen op een soortgelijke wijze als in de oorspronkelijke afleiding. In een andere setting, kan de pc vector nog steeds een geldig patroon ook voor een andere modaliteit imager zijn, maar om een interpreteerbare score te verkrijgen, moet een herijking procedure worden uitgevoerd om nieuwe referentie scores te evalueren. De herijking procedure is PCA-analyse niet nodig, maar is een eenvoudige bepaling van de enkel onderwerp scores voor een compleet nieuw cohort van patiënten en controles met behulp van de vooraf bepaald patroon en een nieuw vastgestelde GMP.
Opgemerkt moet worden dat hoewel een specifieke modaliteit bepaalde fysiologische parameters, afgeleid SSM / PCA patronen niet worden geïnterpreteerd als absolute maatregelen van deze hoeveelheden kunnen weerspiegelen. Ten eerste zijn ze afgeleid van de interregionale covariantie van voxel verschillen van gemiddelde waarden. Deze verschillen kunnen het gevolg zijn van verschillende netwerkaantasten en samengestelde effecten houden. Vandaar dat de PCA patroon is een wiskundige constructie die binnen een netwerk of meer complexe processen covariantie kunnen weerspiegelen. Door het uitvoeren correlatieanalyse patroon scores met klinische maten van ernst van de ziekte of normaal psychosomatische maatregelen en anatomisch identificeren hoogst gewogen patroongebieden, kunnen we indirect interpreteren van de betekenis van deze patronen. Verder worden samengestelde PC patronen opgebouwd als lineaire combinaties van pc's met coëfficiënten afgeleid met behulp van logistische regressie, met Akaike of andere informatie theoretische criteria opgelegd aan de overeenkomstige score waarden. Hoewel deze kan leiden tot een betere discriminatie, kunnen zij minder significant componenten integreren met onevenredig hogere coëfficiënten. Zo kan covariantie topografieën ontworpen voor accurate differentiële diagnose van klinisch vergelijkbare "look-a-like" voorwaarden ("diagnostische biomarkers") zijn composieten van complexe fysio-chemieal processen niet noodzakelijkerwijs overeenkomt gemakkelijk interpreteerbare fysieke netwerken 13. Daarentegen kunnen andere patronen optimaal voor het vastleggen van de topografische kenmerken van specifieke ziektemanifestaties zoals Parkinson tremor of cognitieve dysfunctie 15,51,52, of voor het toezicht ziekteprogressie 7,16. Het specifieke doel van de functie van de biomarker zou moeten worden overwogen bij het maken van een definitieve selectie.
Het is essentieel om een potentiële biomarker valideren door evaluatie van potentiële onderworpen scores in onafhankelijke cohorten 10. Bij voorkeur dient kruisvalidatieset eerste instantie bij de afleiding monster om de betrouwbaarheid van de patroon topografie bepalen op een voxel-by-voxel basis en mogelijke uitschieters te sluiten. Daartoe bootstrapping procedures 8,9 worden routinematig uitgevoerd. Deze aanpak vereist iteratieve patroon afleiding in geresampled afleiding gegevens naar de meest robuuste v identificerenoxels, dwz degenen met de laagste standaarddeviatie in voxel gewicht. Door eventueel maskeren van de originele gegevens minder betrouwbaar voxels te verwijderen, kan een hogere discriminatie worden bereikt voor een rederived patroon dat dan moet worden gevalideerd in prospectieve datasets.
Zoals eerder opgemerkt, wanneer een SSM / PCA biomarker is vastgesteld kan worden toegepast op potentiële individuele of gegevensgroep. Afgeleide scores kunnen worden gebruikt om de status van de patiënt te controleren door het meten netwerk doorgaat longitudinale beeldgegevens of de behandeling effect te evalueren. In complexe gevallen van onbepaalde diagnose, kunnen reeksen onderwerp scores in logistische regressie-analyse worden ingevoerd (of in andere discriminantfunctie modellen) om onderscheid te maken tussen de verschillende alternatieven 12,13. Deze benadering kan van vitaal belang zijn, gezien het hoge tarief van klinische foute diagnose bij personen met vroege ziekte, en de wisselende prognose en behandeling uitkomst in verband met de verschillende underlying pathologieën. Als laatste punt kan SSM patroon gevestigde groep score evaluatie een waardevol instrument in klinische proeven van experimentele therapieën voor hersenaandoeningen 15,53,54 zijn.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Dr Eidelberg wordt vermeld als co-uitvinder van twee Amerikaanse patenten op het gebruik van beeldvorming merkers voor patiënten voor zenuwstelsel (zonder winstoogmerk) te screenen. Er zijn geen verdere toelichtingen.
Acknowledgments
Dit werk werd ondersteund door Grant No P50NS071675 (Morris K. Udall Center of Excellence in Onderzoek van de Ziekte van Parkinson in The Feinstein Instituut voor Medisch Onderzoek) op DE van het Nationaal Instituut voor Neurologische Aandoeningen en Stroke. De inhoud is uitsluitend de verantwoordelijkheid van de auteurs en niet noodzakelijkerwijs het officiële standpunt van het Nationaal Instituut voor Neurologische Aandoeningen en Stroke of de National Institutes of Health. De sponsor had geen rol in de onderzoeksopzet, verzamelen, analyseren en interpreteren van gegevens spelen, het schrijven van het rapport of in de beslissing om het papier in te dienen voor publicatie.
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/ |
References
- 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).
- 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).
- Habeck, C. G. Basics of multivariate analysis in neuroimaging data. J. Vis. Exp. (41), e1988 (2010).
- 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).
- 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).
- 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).
- Eidelberg, D. Metabolic brain networks in neurodegenerative disorders: a functional imaging approach. Trends Neurosci. 32 (10), 548-557 (2009).
- Habeck, C., Foster, N. L., et al. Multivariate and univariate neuroimaging biomarkers of Alzheimer's disease. Neuroimage. 40 (4), 1503-1515 (2008).
- Efron, B., Tibshirani, R. An introduction to the bootstrap. , CRC Press, LLC. New York. (1994).
- 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).
- 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).
- 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).
- 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).
- 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).
- Mure, H., Hirano, S., et al. Parkinson's disease tremor-related metabolic network: characterization, progression, and treatment effects. Neuroimage. 54 (2), 1244-1253 (2011).
- Niethammer, M., Eidelberg, D. Metabolic brain networks in translational neurology: concepts and applications. Ann. Neurol. , (2012).
- 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).
- 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).
- 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).
- Stone, J. V. Independent component analysis: an introduction. Trends Cogn. Sci. 6 (2), 59-64 (2002).
- 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).
- 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).
- Habeck, C., Moeller, J. R. Intrinsic functional-connectivity networks for diagnosis: just beautiful pictures. Brain Connect. 1 (2), 99-103 (2011).
- Huang, C., Tang, C., et al. Changes in network activity with the progression of Parkinson's disease. Brain. 130, 1834-1846 (2007).
- Feigin, A., Tang, C., et al. Thalamic metabolism and symptom onset in preclinical Huntington's disease. Brain. 130, 2858-2867 (2007).
- Poston, K. L., Tang, C. C., et al. Network correlates of disease severity in multiple system atrophy. Neurology. 78 (16), 1237-1244 (2012).
- 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).
- 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).
- 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).
- 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).
- 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).
- Logothetis, N. K. What we can do and what we cannot do with fMRI. Nature. 453 (7197), 869-878 (2008).
- Lin, T. P., Carbon, M., et al. Metabolic correlates of subthalamic nucleus activity in Parkinson's disease. Brain. 131 (Pt. 5), 1373-1380 (2008).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Cangelosi, R., Goriely, A. Component retention in principal component analysis with application to cDNA microarray data. Biol. Direct. 2, 2 (2007).
- Akaike, H. A new look at the statistical model identification. IEEE Transactions on Automatic Control. 19 (6), 716-723 (1974).
- 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).
- 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).
- 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).
- Joliffe, I. T. Principal Components Analysis. Springer Series in Statistics. , 2nd edition, Springer-Verlag. New York. (2002).
- Limpert, E., Stahel, W. A., Abbt, M. Log-normal distributions across the sciences: keys and clues. BioScience. 51 (5), 341-352 (2001).
- Huang, C., Mattis, P., et al. Metabolic abnormalities associated with mild cognitive impairment in Parkinson disease. Neurology. 70 (16 Pt. 2), 1470-1477 (2008).
- 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).
- 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).
- 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).
