Waiting
Login processing...

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

Medicine

न्यूरोइमेजिंग डेटा का उपयोग कर रोग से संबंधित स्थानिक सहप्रसरण पैटर्न की पहचान

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

प्रमुख घटक विश्लेषण (पीसीए) सहित बहुभिन्नरूपी तकनीक कार्यात्मक मस्तिष्क छवियों में क्षेत्रीय परिवर्तन के हस्ताक्षर पैटर्न की पहचान करने के लिए इस्तेमाल किया गया है. हम neurodegenerative विकारों के निदान, रोग प्रगति का मूल्यांकन, और रोगी आबादी में उपचार के प्रभाव का उद्देश्य मूल्यांकन के लिए प्रतिलिपि प्रस्तुत करने योग्य नेटवर्क बायोमार्कर की पहचान करने के लिए एक कलन विधि विकसित की है.

Introduction

Neurodegenerative विकारों बड़े पैमाने पर स्थानीय बनाना और मस्तिष्क चयापचय की असामान्यताओं के साथ ही क्षेत्रीय बातचीत 17 अध्ययन है कि गैर आनुमानिक तरीकों यों कि तकनीक का उपयोग कर अध्ययन किया गया है. ऐसे प्रमुख घटक विश्लेषण (पीसीए) 1,2,4,18 और स्वतंत्र घटक विश्लेषण (आईसीए) 19,20, साथ ही इस तरह के कम से कम आंशिक चौकों (PLS) 21 और विहित क्रमसूचक प्रवृत्तियों के रूप में निगरानी की तकनीक के रूप में डेटा संचालित बहुभिन्नरूपी विश्लेषणात्मक रणनीतियों variates विश्लेषण (ORT / CVA) 22 विशेषता पैटर्न या अंतर्संबंधित गतिविधि के "नेटवर्क" प्रकट कर सकते हैं. विशेष रूप से बहुभिन्नरूपी प्रक्रियाओं, छोटा subprofile मॉडल (एसएसएम) की मूल बातें 1,2,4-6,18 पहले जौव 3 में वर्णित किया गया है. इस पीसीए आधारित दृष्टिकोण मूल रूप से मस्तिष्क में रक्त प्रवाह और चयापचय acq के स्थिर राज्य ही मात्रा छवियों में मस्तिष्क क्षेत्रों के बीच असामान्य कार्यात्मक सहप्रसरण संबंधों की जांच करने के लिए विकसित किया गया थाउच्च संकेत करने वाली शोर विशेषताओं दिखा रहे हैं कि इस तरह के पीईटी और SPECT के तौर तरीकों के आराम की स्थिति में uired. रोग विशेष एसएसएम पैटर्न सामान्य विषयों 7,16 की तुलना में और एक नेटवर्क प्रक्रिया या कई जटिल असामान्य कार्यों 23 आत्मसात प्रतिबिंबित कर सकते हैं रोगियों में क्षेत्रीय स्थलाकृति में समग्र मतभेद को दर्शाते हैं कि इमेजिंग बायोमार्कर हैं. मेटाबोलिक सहप्रसरण पैटर्न नेटवर्क मस्तिष्क सामान्य और रोग समूहों के बीच भेद और रोग की गंभीरता के नैदानिक ​​रेटिंग के साथ सहसंबंधी कि नेटवर्क आधारित उपाय प्रदान कर सकते हैं कि अभिव्यक्ति मान (विषय स्कोर) के साथ जुड़े रहे हैं. आमतौर पर, इस तरह के पैटर्न के लिए विषय के स्कोर रोग प्रगति के साथ बढ़ाने के लिए और भी लक्षण उभरने 14,24 से पहले व्यक्त किया जा सकता है. दरअसल, रोग से संबंधित नेटवर्क बायोमार्कर ऐसे पार्किंसंस रोग 10 (पीडी), Huntington रोग 25 (एचडी), और अल्जाइमर रोग के रूप में 8 neurodegenerative विकारों के लिए किया गया विशेषता है 12,13,26 चिकित्सकीय समान "हमशक्ल" सिंड्रोम के साथ व्यक्तियों की विभेदक निदान के लिए संगीत कार्यक्रम में इस्तेमाल किया गया है.

इसके विपरीत, ठेठ fMRI voxel आधारित univariate तरीकों अलग मस्तिष्क समूहों में रोगियों और नियंत्रण के बीच मतभेद के महत्व का आकलन करें. हाल ही में, के तरीकों के विभिन्न परिभाषित मस्तिष्क क्षेत्रों 27-29 के बीच कार्यात्मक कनेक्टिविटी को मापने के लिए विकसित किया गया है. कार्यात्मक कनेक्टिविटी की इस परिभाषा का विषय है और इस क्षेत्र के आंतरिक स्थानिक वितरित मस्तिष्क नेटवर्क क्षेत्रों 1,2,23,30 के पार के अनुभागीय इंटरकनेक्टिविटी को संदर्भित करता है कि मूल एसएसएम / पीसीए अवधारणा से विशेष बातचीत और भटक के लिए प्रतिबंधित है. उनके लाभ, एमआरआई प्लेटफॉर्म एक के लिएफिर आसानी से स्थापित किया, व्यापक रूप से उपलब्ध है, गैर इनवेसिव और आम तौर पर हाल ही में साहित्य में वर्णित संभावित तरीके की एक लहर में जिसके परिणामस्वरूप ऐसी पीईटी या SPECT रूप में पारंपरिक radiotracer इमेजिंग तौर तरीकों की तुलना में कम स्कैनिंग के समय की आवश्यकता है. हालांकि, जिसके परिणामस्वरूप समय पर निर्भर fMRI के संकेत स्थानीय तंत्रिका गतिविधि 31,32 के अप्रत्यक्ष उपाय प्रदान करते हैं. नियोजित आम तौर पर जटिल विश्लेषणात्मक एल्गोरिदम डेटासेट के बड़े आकार, fMRI के संकेतों में निहित शारीरिक शोर है, साथ ही विषयों और क्षेत्रों 19,23 के बीच मौजूद है कि मस्तिष्क गतिविधि में उच्च परिवर्तनशीलता द्वारा सीमित किया गया है. मस्तिष्क संगठन के बारे में रोचक जानकारी fMRI, "नेटवर्क" के गुणों से अनुमान लगाया जा सकता है, वे विश्वसनीय रोग बायोमार्कर के रूप में इस्तेमाल किया जा करने के लिए पर्याप्त रूप से स्थिर नहीं किया गया है. इसके अलावा, जिसके परिणामस्वरूप नेटवर्क topographies ऐसे एसएसएम / पीसीए के रूप में स्थापित कार्यात्मक इमेजिंग के तरीके का उपयोग पहचान उन लोगों के लिए यह जरूरी नहीं के बराबर हैं. वें के लिएई सबसे अधिक हिस्सा है, जिसके परिणामस्वरूप fMRI के topographies के पार सत्यापन कठोर एकल मामलों से भावी स्कैन डेटा में निकाली गई पैटर्न का सफल आगे आवेदन के कुछ उदाहरणों के साथ कमी की गई है.

पीसीए सहप्रसरण विश्लेषण का एक लाभ यह है कि पहले कुछ प्रमुख घटकों में डेटा भिन्नता के सबसे महत्वपूर्ण स्रोतों की पहचान करने के लिए अपनी क्षमता में निहित है, लेकिन प्रमुख eigenvectors बल्कि वास्तविक आंतरिक नेटवर्क प्रतिक्रिया से यादृच्छिक शोर कारकों का प्रतिनिधित्व करते हैं अगर यह अप्रभावी है. केवल पहले कुछ eigenvectors चयन और रोगी बनाम सामान्य नियंत्रण के स्कोर में महत्वपूर्ण अंतर पता चलता है कि उन लोगों को सीमित करके, हम बहुत शोर तत्वों के प्रभाव को कम. हालांकि, यहां वर्णित बुनियादी दृष्टिकोण के लिए, इन उपायों से नीचे वर्णित तौर तरीकों के अपवाद के साथ एक ठेठ fMRI डाटासेट में मजबूत estimators उत्पन्न करने के लिए पर्याप्त नहीं हो सकता.

इस प्रकार, क्षेत्रीय जी के स्थिर सीधा संबंध की वजहlucose चयापचय और synaptic गतिविधि 33, इस पद्धति बाकी राज्य FDG पीईटी डेटा का विश्लेषण करने के लिए मुख्य रूप से लागू किया गया है. हालांकि, इस्तेमाल किया गया है, मस्तिष्क रक्त के प्रवाह (CBF) बारीकी से आराम की स्थिति 10,11,34, SPECT 35,36 और अधिक हाल ही में धमनी स्पिन लेबलिंग (एएसएल) एमआरआई छिड़काव इमेजिंग तरीकों 37,38 में चयापचय गतिविधि के लिए युग्मित है कि दी व्यक्तिगत मामलों में असामान्य चयापचय गतिविधि का आकलन करने के लिए. यही आराम कर राज्य fMRI (rsfMRI) के साथ विश्वसनीय स्थानिक सहप्रसरण पैटर्न की व्युत्पत्ति के रूप में पहले 31,32 सीधा नहीं उल्लेख किया है, ने कहा. फिर भी, पीडी रोगियों और नियंत्रण विषयों से rsfMRI डेटा की प्रारंभिक एसएसएम / पीसीए विश्लेषण रोग से संबंधित पैटर्न के बीच कुछ स्थलाकृतिक homologies बोल्ड fMRI 39,40 के दो तौर तरीकों, पीईटी और कम आवृत्ति उतार चढ़ाव के आयाम (ALFF) का उपयोग पहचान से पता चला है . अन्त में, हम भी इस दृष्टिकोण voxel आधारित Morpho में सफलतापूर्वक लागू किया गया है कि ध्यान देंउम्र से संबंधित मात्रा घटाने के साथ और एक ही विषयों के 43 में VBM और साइन पैटर्न की आगे की तुलना में जुड़े विशिष्ट स्थानिक सहप्रसरण पैटर्न खुलासा metry (VBM) संरचनात्मक एमआरआई डेटा 41,42,. विभिन्न विश्लेषणात्मक दृष्टिकोण और इमेजिंग प्लेटफार्मों का उपयोग एसएसएम / पीसीए स्थानिक सहप्रसरण topographies और पहचान अनुरूप मस्तिष्क नेटवर्क के बीच संबंध चल रही जांच का विषय है.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. डेटा संग्रह और Preprocessing

  1. एसएसएम / पीसीए विधि विभिन्न स्रोतों और तौर तरीकों से प्राप्त एकल मात्रा छवियों के लिए लागू किया जा सकता है. विशेष रूप से, चयापचय की साइट पर पीईटी इमेजिंग के लिए, जैसे [18 एफ] के रूप में एक उपयुक्त रेडियोन्यूक्लाइड ट्रेसर तैयार-fluorodeoxyglucose (FDG) और प्रत्येक रोगी के लिए प्रशासन. मरीजों को आमतौर पर दवाओं से, कम से कम 12 घंटे का उपवास के बाद खुली आँखों के साथ आराम से स्कैन कर रहे हैं.
  2. व्यक्ति या समूह के मूल्यांकन के लिए प्रत्येक विषय स्कैन करें. पैटर्न व्युत्पत्ति के लिए, लिंग और उम्र से मिलान रोगियों और नियंत्रण की एक समान संख्या में स्कैन.
  3. एक कार्य केंद्र के लिए डेटा स्थानांतरण और अपने मंच के विश्लेषण के लिए एक उपयुक्त प्रारूप में बदलने. MATLAB के विश्लेषण सॉफ्टवेयर (scanvp, ssm_pca, आधारित हमारी खिड़कियों पीसी www.feinsteinneuroscience.org ) का विश्लेषण की आवश्यकता है या nifti प्रारूप छवियों (मेयो क्लीनिक, रोचेस्टर, एम.एन.). यह एक रूपांतरण दिनचर्या टी प्रदान करता हैओ परिणत जीई अग्रिम (Milwaukee, WI यूएसए) स्कैनर और अन्य प्रारूप छवियों प्रारूप विश्लेषण करने के लिए.
  4. एक आम stereotaxic अंतरिक्ष (जैसे मॉन्ट्रियल स्नायविक संस्थान [MNI]) (जैसे सांख्यिकीय पैरामीट्रिक मानचित्रण (एसपीएम) के रूप में एक मानक न्यूरोइमेजिंग सॉफ्टवेयर पैकेज का उपयोग करने के लिए प्रत्येक विषय की छवि मानक के अनुसार http://www.fil.ion.ucl.ac.uk/spm ) विषयों (चित्रा 2) के बीच voxel मूल्यों का एक एक से एक पत्राचार इतना है कि वहाँ. ग्रे बात क्षेत्रों (चित्रा 3) और लॉग परिवर्तन करने के लिए विश्लेषण सीमित करने के लिए मास्किंग अगले चरणों में वर्णित हैं.

2. बहुभिन्नरूपी एसएसएम / पीसीए प्रदर्शन करना

बहुभिन्नरूपी एसएसएम / पीसीए (चित्रा 4) के लिए संचालन बाहरी सॉफ्टवेयर के द्वारा प्रदर्शन किया जा सकता है. कदम हमारे घर में दिनचर्या (चित्रा 5) (स्कैन द्वारा स्वचालित रूप से सबसे अधिक भाग के लिए प्रदर्शन किया प्रक्रिया को प्रतिबिंबित नीचे अलग अलग रखावी.पी. / ssmpca, www.feinsteinneuroscience.org ) एक एसपीएम उपकरण बॉक्स ssm_pca के रूप में भी उपलब्ध है.

  1. इस तरह सफेद पदार्थ और निलय के रूप voxel अंतरिक्ष के अवांछित क्षेत्रों को दूर करने के लिए एक उपलब्ध 0/1 छवि का उपयोग मास्क डेटा. Ssmpca दिनचर्या का प्रयोग, उपयोगकर्ता डिफ़ॉल्ट या अन्य बाहरी मुखौटा (चित्रा 3) का चयन करने के लिए या प्रोग्राम स्वचालित रूप से प्रत्येक विषय के डेटा अधिकतम की एक चयनित निश्चित प्रतिशत से कम मूल्यों हटाने के द्वारा एक मुखौटा बनाने के लिए एक विकल्प दिया जाता है. व्यक्तिगत विषय मास्क तो एक समग्र मुखौटा निर्धारित करने के लिए बढ़ रहे हैं. मुखौटा के भीतर क्षेत्रों के विश्लेषण के लिए एक आम गैर शून्य voxel अंतरिक्ष परिभाषित.
  2. लगातार विमानों से अनुक्रमिक स्कैन लाइनों (चित्रा -4 ए) जोड़कर एक निरंतर पंक्ति वेक्टर के लिए प्रत्येक विषय के 3 डी नकाबपोश छवि voxel डेटा कन्वर्ट. प्रत्येक विषय के डेटा एक विशिष्ट आर से मेल खाती है तो एक समूह डाटा मैट्रिक्स (डी) फार्ममैट्रिक्स की ओ. प्रत्येक स्तंभ तो विषयों भर में एक विशेष voxel का प्रतिनिधित्व करता है. आदर्श रूप में, biomarker के व्युत्पत्ति के लिए, मैट्रिक्स सामान्य नियंत्रण विषय डेटा और रोग विषय डेटा की पंक्तियों की संख्या बराबर से बना होगा.
  3. लघुगणक प्रपत्र को प्रत्येक डेटा प्रविष्टि रूपांतरण.
  4. केंद्र प्रत्येक पंक्ति औसत या विषय घटाकर डाटा मैट्रिक्स पंक्ति तत्वों से मतलब है. सभी केन्द्रित पंक्तियों का औसत एक विशेषता समूह लॉग छवि (जीएमपी, चित्रा -4 ए) एक समूह मतलब प्रोफाइल करार दिया मतलब का प्रतिनिधित्व करता है. इसी मैट्रिक्स स्तंभ तत्वों से जीएमपी के तत्व होते हैं कि स्तंभ का मतलब घटाना. डबल केंद्रित मैट्रिक्स की प्रत्येक पंक्ति एक 'अवशिष्ट' छवि एक विषय अवशिष्ट प्रोफाइल (एसआरपी) जिसका तत्वों दोनों का विषय है और voxel वी समूह साधन (चित्रा 4b) से विचलन का प्रतिनिधित्व करार का प्रतिनिधित्व करता है.
    एसआरपी एसवी = logD एसवी - मतलब है - जीएमपी ध्
  5. Subj निर्माणप्रत्येक विषय जोड़ी मैं के बीच गैर सामान्यीकृत सहप्रसरण कंप्यूटिंग द्वारा समग्र डबल केन्द्रित डाटा मैट्रिक्स के ect के द्वारा विषय सहप्रसरण मैट्रिक्स सी, एसआरपी मैट्रिक्स पंक्तियों की जम्मू (चित्रा 4b) सभी voxels ध् अधिक अभिव्यक्त इसी voxel के तत्वों का एक उत्पाद के रूप में मूल्यांकन .
    सी आई जे = Σ वी (एसआरपी चार एक्स एसआरपी जेवी)
  6. विषय द्वारा विषय सहप्रसरण मैट्रिक्स सी को पीसीए लागू करें. परिणाम जुड़े eigenvalues ​​के साथ इस विषय के स्कोर eigenvectors का एक सेट हो जाएगा. अपनी इसी eigenvalue के वर्ग जड़ से गुणा करके प्रत्येक वेक्टर वजन. स्कोर eigenvectors के सेट चित्रा 4c में जिसके परिणामस्वरूप मैट्रिक्स एस के स्तंभों का प्रतिनिधित्व करती है.
  7. Eigenvalues ​​के एक ही सेट के लिए voxel eigenvectors computationally proced की मांग कम स्तंभ सहप्रसरण मैट्रिक्स द्वारा स्तंभ को पीसीए लगाने से या इस विकल्प के द्वारा निर्धारित किया जा सकता हैउरे (चित्रा 4C) में दिखाया गया. Eigenvalues ​​के आदेश (चित्रा 4C, चित्रा 6, चित्रा 7a) उतरते में voxel पैटर्न eigenvectors की एक सरणी पी प्राप्त करने के लिए स्थानांतरित एसआरपी मैट्रिक्स द्वारा पहले से व्युत्पन्न स्कोर वेक्टर मैट्रिक्स गुणा छोड़ दिया.
    पी = एसआरपी टी एक्स एस
    प्रत्येक स्तंभ वेक्टर इसके eigenvalue के सापेक्ष आकार के संगत (VAF) के लिए जिम्मेदार कुल विचरण का एक प्रतिशत के लिए जिम्मेदार ठहराया एसएसएम / पीसीए विश्लेषण का एक प्रमुख घटक (पीसी) छवि पैटर्न का प्रतिनिधित्व करता है.

3. पैटर्न Biomarker व्युत्पत्ति

  1. उच्च VAF मूल्यों के साथ जुड़े रहे हैं कि पीसी पैटर्न निर्धारित करने के लिए पूर्ववर्ती विश्लेषण के परिणामों की जांच करना. हमारी दिनचर्या के भीतर, voxel पैटर्न वैक्टर उनके मूल्यों को अपने मतलब मूल्य से सकारात्मक और नकारात्मक मानक विचलन का प्रतिनिधित्व करते हैं इसलिए जेड तब्दील कर रहे हैं. वे तो (चित्रा 7a) पहले प्रदर्शित करने के लिए छवि प्रारूप में reshaped रहे हैं.
  2. प्रत्येक पीसी पैटर्न को इसी स्कोर बार रेखांकन और तितर बितर भूखंडों (चित्रा 7) के रूप में प्रदर्शित कर रहे हैं. एक वैकल्पिक आरओसी साजिश (चित्रा 7 दिन) उत्पन्न किया जा सकता है. एक रोग विशेष पैटर्न की पहचान करने के लिए, इसी दो नमूना टी परीक्षण और नीलामी मूल्यों के पी मूल्यों से परिलक्षित रोगियों और नियंत्रण के बीच इस विषय के स्कोर के भेदभाव को नोटिस. कुछ निश्चित कटऑफ मूल्यों (जैसे, पी <0.05 और VAF> 5%) के लिए एक उच्च VAF और उच्च भेदभाव से जुड़े लोगों पीसी के लिए विश्लेषण सीमित करें. आमतौर पर, केवल एक या दो पीसी पीईटी डेटा के लिए इस कसौटी को पूरा.
  3. वारी कर रहे हैं44 माना जा सकता है कि पीसी के चयन के लिए ous अन्य तरीकों. eigenvalues ​​के पतित शुरू करते जहां अनुक्रमिक eigenvalues ​​(चित्रा 6) की रोड़ी साजिश की अवस्था में एक मोड़ के प्रतिनिधित्व वाले एक तेज कटऑफ मूल्य और वक्र के ढलान में तेजी से कमी दे सकता है. एक और दृष्टिकोण को विचरण के शीर्ष 50% के लिए खाते में है कि सभी कंप्यूटरों को शामिल करने की है. एक व्यापक रूप से स्वीकार प्रक्रिया रोगियों और नियंत्रण के बीच भेद कर सकते हैं कि सबसे कम एआईसी मूल्य के साथ मॉडल को परिभाषित पीसी का संयोजन जो यह निर्धारित करने के Akaike सूचना मानदंड (एआईसी) 45 गणना करने के लिए है.
  4. चयनित पीसी (ओं) वेक्टर सामान्यीकृत और रैखिक एक ही रोग से संबंधित पैटर्न उपज के लिए जोड़ा जा सकता है. हमारे सॉफ्टवेयर वैकल्पिक विषय के स्कोर को लागू रसद या अन्य प्रतिगमन मॉडल के आधार पर गुणांक का निर्धारण करने के लिए MATLAB समारोह glmfit का उपयोग करता है. रोगी और नियंत्रण समूहों के भेदभाव आमतौर पर डे में माना अतिरिक्त पीसी के साथ बेहतर बनाता है हालांकिrivation समूह, परिणामी पैटर्न एक भौतिक नेटवर्क के अनुरूप नहीं है या ग़ैर विचलन (आंकड़े 7a और 7c) शामिल हो सकता है कि एक समग्र प्रतिनिधित्व कर रहे हैं.
  5. इसके अलावा मान्यता विश्वसनीयता और भावी महत्व के लिए आवश्यक है. दोहराया पैटर्न व्युत्पत्ति में कम से कम मानक विचलन के साथ जुड़े मूल व्युत्पत्ति डाटासेट भीतर सबसे विश्वसनीय voxels की पहचान करने के लिए 8 से नीचे के रूप में चर्चा बूटस्ट्रैप resampling किया जा सकता है. फॉरवर्ड सत्यापन प्रोटोकॉल के अगले खंड में वर्णित एकल विषय स्कोर मूल्यांकन पद्धति (चित्रा 4d) का उपयोग कर रोगियों और नियंत्रण के भावी समूहों के लिए स्कोर पाने से स्वतंत्र समूह भेदभाव की संवेदनशीलता और विशिष्टता के लिए परीक्षण करने के लिए किया जाता है.

4. एक पूर्व निर्धारित Biomarker का उपयोग करते हुए एकल विषय भावी कुल मूल्यांकन

  1. एक महत्वपूर्ण एसएसएम-जीआईएस biomarker के पैटर्न एक बारपहचान की गई है, एक संभावित विषय में अपनी अभिव्यक्ति के लिए एक स्कोर विषय के एसआरपी वेक्टर और जीआईएस पैटर्न वेक्टर (चित्रा 4d, चित्रा 7 दिन) के आंतरिक वेक्टर उत्पाद का एक सरल गणना का उपयोग करते हुए उस व्यक्ति के स्कैन से मूल्यांकन किया जा सकता है.
    एससीओआरई = SRPs • पैटर्न
  2. पिछले आपरेशन हमारे TPR दिनचर्या से स्वचालित है. हालांकि, स्वतंत्र विषय SRPs वेक्टर लॉग तब्दील डेटा पर जुड़े आंतरिक जीआईएस मास्क का उपयोग करें और इस विषय मतलब है और 2.4 कदम के रूप में prederived संदर्भ समूह जीएमपी की इसी voxel मूल्यों दोनों घटाना प्राप्त करने के लिए. इस स्कोर के पूर्व निर्धारित संदर्भ सीमा की तुलना में किया जा सकता है कि सुनिश्चित करता. एक नए समूह के लिए स्कोर वैसे ही भावी ही विषय के स्कोर का एक सेट के रूप में मूल्यांकन किया जा सकता है. पैटर्न अपरिवर्तित है, जबकि एक अलग संदर्भ समूह या सेटिंग के साथ प्रयोग के लिए, जीएमपी recalibrated किया जा सकता है.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

बहुभिन्नरूपी एसएसएम / पीसीए विश्लेषण का एक साधारण आवेदन पीडी के लिए एक न्यूरोइमेजिंग biomarker के पैटर्न प्राप्त करने के लिए नीचे सचित्र है. दस में से पीईटी FDG छवियों चिकित्सकीय चर रोगग्रस्त अवधि के पीडी रोगियों (6M/4F, 59y ± 7y एसडी) (9y ± 5y एसडी) का निदान और दस साल की उम्र और लिंग सामान्य नियंत्रण मिलान (6M/4F, 58y ± 7y एसडी) का उपयोग करते हुए विश्लेषण किया गया हमारे ssmpca दिनचर्या. बीस इसी स्थानिक पूर्व सामान्यीकृत छवियों शुरू में डिफ़ॉल्ट मुखौटा (चित्रा 3) के साथ श्रेणियों रोग विषयों या नियंत्रण के तहत चयन किया गया था. कार्यक्रम उत्पादन पहले 16 प्रमुख घटक छवि फ़ाइलें और अनुक्रमिक eigenvalues ​​(चित्रा 6) की एक रोड़ी साजिश के साथ साथ उनके जुड़े स्कोर की एक फाइल लिस्टिंग. अनुक्रमिक पीसी छवियों और संबद्ध बार और तितर बितर रेखांकन आंकड़े 7a और 7b रूप में दर्शाया प्रारंभिक समीक्षा के लिए स्क्रीन पर प्रदर्शित किया गया. पहला पीसी घटक हिसाब ध्यान दें किसबसे बड़ा VAF (24%) और उसके संबंधित विषय के स्कोर के लिए काफी दो नमूना टी परीक्षण तुलना और आरओसी विशेषताओं के आधार पर नियंत्रण से रोगियों (पी = 0.0002) भेदभाव (नीलामी = 0.99, संवेदनशीलता विशिष्टता = 0.95 लिए = 0.93). इन कारणों के लिए यह अपने आप में एक biomarker माना जा सकता है और अत्यधिक स्थानिक एक पहले से व्युत्पन्न पीडी biomarker के कई भावी डेटासेट 5 में मान्य PDRP 46,47 (2 आर = 84%, पी <0.001) के साथ सहसंबद्ध तथ्य में है. दूसरी पद्धति (पी = 0.81, नीलामी = 0.54) और तीसरे पैटर्न (पी = 0.38, नीलामी = 0.63) काफी भेदभाव नहीं किया है और बहुत ही रोग से प्रभावित नहीं हैं कि सामान्य प्रक्रिया से ही शुरू हो सकता है. चौथे पैटर्न (VAF = 7%) पहला पीसी (पी = 0.13, नीलामी = 0.71) की तुलना में कहीं कम डिग्री करने के भेदभाव और कम प्रमुख रोग कारकों के साथ जुड़ा हो सकता है. इसके अलावा पीसी क्योंकि <(0.4 सामान्य और रोगी स्कोर पी) के गैर महत्वपूर्ण भेदभाव के साथ संयुक्त (7% VAF मान)> को कम से नजरअंदाज कर दिया गया.eigenvalue मतभेद के अध: पतन चित्रा 6 में सचित्र है.

पहली और चौथी पैटर्न वेक्टर सामान्यीकृत और रैखिक एक रसद भेदभाव मॉडल का उपयोग इष्टतम रोगी / नियंत्रण स्कोर भेदभाव के लिए संबद्ध गुणांक (.78, .63) निर्धारित करने के लिए हमारे सॉफ्टवेयर का उपयोग कर संयुक्त थे. पी मूल्य के संकेत के रूप में सुधार भेदभाव में समग्र जीआईएस परिणाम (= पी 10 -5, चित्रा 7b) और व्युत्पत्ति समूह के लिए 1.0 का एक आदर्श नीलामी मूल्य. इस पद्धति के साथ जुड़े समग्र VAF (17.3%) रैखिक गुणांक के वर्गों द्वारा संशोधित व्यक्ति vafs की राशि (24%, 7%) के रूप में मूल्यांकन किया जाता है. हालांकि, इस मॉडल कम महत्वपूर्ण PC4 के लिए एक disproportionately उच्च गुणांक (VAF मूल्यों की तुलना में) के हवाले से उच्च स्तर पर भेदभाव हासिल ध्यान दें कि. व्युत्पत्ति समूह के भीतर भी उच्च भेदभाव ही आरक्षण अतिरिक्त घटकों का उपयोग कर प्राप्त किया जा सकता है. कहां मेंआर मामले PC3 (पी = 3x10 -6) (चित्रा 7c) और क्योंकि PC2 की गैर विभेदक क्षमता के सभी चार पीसी (= पी 10 -5) को शामिल करके कोई सुधार जोड़कर ही मामूली सुधार किया गया था. संयुक्त पैटर्न के सभी सही आरओसी विशेषताओं था (नीलामी = 1 और संवेदनशीलता एक कम z-स्कोर सीमा के लिए = 1, विशिष्टता = 1). हालांकि, इन मूल्यों व्युत्पत्ति समूह के लिए विशिष्ट हैं. अंतिम बायोमार्कर की वैधता 22 रोगियों (15M/7F, 57y ± 9y एसडी, रोग की अवधि 10y ± 4 वर्ष एसडी) के एक स्वतंत्र समूह के लिए यहां प्रदर्शन के रूप में संभावित मूल्यांकन में सत्यापित किया गया है और 22 नियंत्रण (4M/18F, 55y ± 15y एसडी) (चित्रा 7 दिन). काफी अधिक भेदभाव एक से अधिक पीसी के संयोजन से व्युत्पत्ति समूह में हासिल की थी हालांकि सभी चार संयोजन अच्छा प्रदर्शन किया, हालांकि, एक ही रिश्तेदार लाभ परीक्षण समूह में नहीं रखा था. पहला पीसी भावी समूह उस में उच्च मतलब भेदभाव का प्रदर्शनएक संयुक्त पैटर्न PC1_3_4 (पी = 2x10 -7, नीलामी = 0.95) की तुलना में (पी = 5x10 -8, नीलामी = 0.95) और PC1_2_3_4 (पी = 6x10 -7, नीलामी = 0.92) अपने सहज वैधता के लिए जिम्मेदार ठहराया. एक मामूली लाभ additive के PC1_4 (पी = 3.2x10 -8, नीलामी = 0.96) के द्वारा प्राप्त किया गया था. भावी नीलामी मूल्य PC1_4 के लिए थोड़ा अधिक था हालांकि, 0.95 की एक विशिष्टता के लिए संवेदनशीलता PC1_2_3_4 लिए PC1 के लिए 0.5 के लिए लगभग 0.8 का एक मूल्य से additive के पीसी के साथ कम करने के लिए प्रकट होता है. स्पष्ट रूप से और अधिक व्यापक नमूना अधिक सही आरओसी साजिश की बढ़ती अनियमितता से देखते हुए इन मूल्यों की भविष्यवाणी करने के लिए आवश्यक होगा. इसके अलावा, उच्च सटीकता पिछले प्रकाशनों में प्रदर्शन के रूप में एक बड़ा व्युत्पत्ति समूह का उपयोग करके प्राप्त किया जा सकता था. हालांकि, यह व्युत्पत्ति समूह में प्राप्त एक ही विभेदक सटीकता हमेशा व्युत्पत्ति पैटर्न की भावी सत्यापन की जरूरत महसूस स्वतंत्र समूह के मूल्यांकन के लिए सामान्य नहीं है कि ये दिखाता है से स्पष्ट है.

इस प्रकार, 20 विषय छवियों की हमारी मूल डाटासेट 44 संभावित विषयों में रोग के एक नैदानिक ​​biomarker के रूप में अच्छा प्रदर्शन किया है कि एक आवश्यक पीसी छवि पैटर्न PC1 तक कम हो गया था.

चित्रा 1
चित्रा 1. एसएसएम / पीसीए मॉडलिंग रणनीति के योजनाबद्ध. सामान्य और रोगी स्कैनर डेटा एक न्यूरोइमेजिंग biomarker और संबंधित विषय के स्कोर प्राप्त करने के लिए एसएसएम / पीसीए एल्गोरिदम द्वारा कार्रवाई की है. रोगी और सामान्य विषय के स्कोर के बीच मतलब अंतर महत्वपूर्ण है. बड़ा आंकड़ा देखने के लिए यहां क्लिक करें .

चित्रा 2 चित्रा 2. Preprocessing और डेटा की. कच्चे स्कैनर छवियों मास्किंग स्थानिक सभी विषयों के लिए एक आम stereotaxic स्थान के लिए voxels नक्शा करने के लिए सामान्यीकृत और एक Guasian कर्नेल का उपयोग कर smoothed रहे हैं. मास्किंग आपरेशन निलय अंतरिक्ष और शोर को हटा.

चित्रा 3
चित्रा 3. यह डिफ़ॉल्ट 0/1 ग्रे बात मुखौटा 72 सामान्य विषयों के प्रसंस्करण से बनाया गया था. व्यक्तिगत स्थानिक सामान्यीकृत डेटा एक साथ कई गुणा बढ़ गया है कि व्यक्ति मास्क बनाने के लिए उनकी अधिकतम मूल्य के 38% पर thresholded था. गुणा करने वाला मुखौटा मूल के माध्यम से सही करने के लिए छोड़ दिया फ़्लिप और अंतिम symmetrized मुखौटा बनाने के लिए मूल के साथ बढ़ रहा था.

4 चित्रा. एसएसएम / पीसीए प्रसंस्करण के प्रवाह पथ. डाटा मैट्रिक्स के एक) विषय वेक्टर निर्माण. परिवर्तन लॉग इन करें. एकत्रित पंक्ति. जीएमपी वेक्टर. ख) कॉलम केंद्रित का मूल्यांकन. एसआरपी की व्युत्पत्ति. सहप्रसरण मैट्रिक्स सी. सी का निर्माण) प्रमुख घटक विश्लेषण. पीसी स्कोर वैक्टर और voxel पैटर्न की व्युत्पत्ति. घ) भावी एकल विषय स्कोर गणना. बड़ा आंकड़ा देखने के लिए यहां क्लिक करें .

चित्रा 5
चित्रा 5. सॉफ्टवेयर. प्रदर्शन करने के लिए एसएसएम / पीसीए उपयोगकर्ता ScAnVP मेनू से voxel आधारित एसएसएम / पीसीए विकल्प का चयन कर सकते हैं, रोगी छवि फ़ाइलें और सामान्य नियंत्रण, एक पसंदीदा मुखौटा और तब प्रक्रिया का चयन करें. प्रवेश परिवर्तन डिफ़ॉल्ट रूप से किया जाता है. उत्पादन और स्क्रीन प्रदर्शित भूखंडों और छवियों की समीक्षा करने के बाद, उपयोगकर्ता रैखिक उच्च रोगी / सामान्य स्कोर भेदभाव के साथ एक biomarker बनाने के लिए रसद प्रतिगमन या अन्य मॉडलों का उपयोग कर चयनित पीसी गठबंधन करने के लिए चुन सकते हैं. बड़ा आंकड़ा देखने के लिए यहां क्लिक करें .

चित्रा 6
6 चित्रा. रोड़ी प्लॉट. विषय सहप्रसरण मैट्रिक्स द्वारा गैर सामान्यीकृत विषय के अनुक्रमिक eigenvalues ​​की इस रोड़ी प्लाट 10 पीडी रोगियों और 10 सामान्य नियंत्रण के एसएसएम / पीसीए विश्लेषण से हुई. नोटिसपहला पीसी के बाद eigenvalues ​​में तेज गिरावट. Eigenvalues ​​के बीच मतभेद 4 वें पीसी के बाद छोटे हैं.

7 चित्रा
चित्रा 7 एसएसएम / पीसीए कार्यक्रम उत्पादन एक) ऊपर:.. पहले चार प्रमुख घटक छवियों (PC1 के लिए 4) का अक्षीय प्रदर्शन (जेड = 0). बॉटम: PC1 और संयुक्त पीसी 1 और 4 (PC1_4) एक संरचनात्मक एमआरआई छवि पर प्रदर्शित की उत्पत्ति के माध्यम से विषयेतर विचार (एक्स, वाई, जेड = 0,0,0). पीसी voxel मूल्यों मतलब voxel लोडिंग के सापेक्ष सकारात्मक और नकारात्मक z-स्कोर विचलन का प्रतिनिधित्व करते हैं. ठंड रंग रिश्तेदार चयापचय घटने का संकेत मिलता है जबकि गर्म रंग समग्र एसआरपी के लिए पीसी का योगदान भीतर चयापचय क्रिया में रिश्तेदार बढ़ जाती है का संकेत मिलता है. पीसी के नियंत्रण से भेदभाव रोगियों इन विचलन गुण हो सकता है कि के लिएघ रोग के लिए. ख) व्युत्पत्ति विषय की पट्टी रेखांकन और scatterplots PC1 और PC4 के Z-स्कोर. चौथे एक प्रवृत्ति (पी = 0.13) को दर्शाता है, जबकि केवल पहले प्रमुख घटक काफी नियंत्रण से रोगियों (पी = 0.0002) भेदभाव. PC1 और PC4 (गुणांक .78, .63) के रैखिक रसद संयोजन भेदभाव (पी = 0.00001) में सुधार. आरओसी नीलामी मूल्य और 0.95 की एक विशिष्टता के लिए संवेदनशीलता भी प्रत्येक पद्धति के लिए प्रदर्शित कर रहे हैं. संयुक्त पैटर्न PC1_4 संयुक्त PC1_3_4 और PC1_2_3_4 और व्युत्पत्ति विषय Z-स्कोर के लिए इसी विषय बार रेखांकन की. ग) विषयेतर विचारों 0.9 की एक z-स्कोर सीमा (नीलामी = 1) में सही जुदाई को दर्शाता है. भेदभाव इन विभिन्न संयोजनों के लिए दोनों PC1 की तुलना में (क्रमशः पी = 3x10 -6 और 10 -5) की वृद्धि हुई. नीलामी विशेषताओं दोनों मामलों में सही जुदाई (नीलामी = 1, संवेदनशीलता = 1, विशिष्टता = 1) संकेत दिया. कथा 7a संबंध में नोट देखेंरंग पैमाने पैटर्न PC1, PC1_4, 22 सामान्य नियंत्रण और 22 पीडी रोगियों पर PC1_3_4 और PC1_2_3_4 की. घ) भावी स्कोर मूल्यांकन आईएनजी. बार और तितर बितर साजिश रेखांकन के साथ ही विषय Z-स्कोर के लिए आरओसी साजिश प्रदर्शित कर रहे हैं और नीलामी मूल्यों के साथ ही 0.95 की एक विशिष्टता पर संवेदनशीलता संकेत दिया है .. नीलामी मूल्यों और संवेदनशीलता पी मूल्यों को कम मजबूत हो जाते हैं, जबकि दो से अधिक संयुक्त प्रमुख घटकों के लिए कम करने के लिए दिखाई देते हैं. एक तुच्छ सुधार व्युत्पत्ति नमूने में भविष्यवाणी की महत्वपूर्ण अंतर बेमानी नीलामी और पी मूल्यों में PC1_4 के लिए विख्यात था. बड़ा आंकड़ा देखने के लिए यहां क्लिक करें .

Subscription Required. Please recommend JoVE to your librarian.

Discussion

एसएसएम / पीसीए मॉडल मूल रूप Moeller एट अल द्वारा प्रस्तुत किया. 4 न्यूरोइमेजिंग डेटा के विश्लेषण के लिए एक सरल और मजबूत तकनीक में 1-3 विकसित किया गया है. हालांकि, हम यहाँ और पिछले प्रकाशनों 5-7,10 में स्पष्ट करने का प्रयास किया है कि इस पद्धति के आवेदन में अस्पष्टता की गई है. इन मुद्दों में से कुछ पाठ में संबोधित किया गया है, लेकिन क्योंकि उनके महत्व के यहाँ reemphasized रहे हैं. परिचय में विस्तृत रूप में, एसएसएम / पीसीए राज्य FDG पीईटी डेटा आराम में मुख्य रूप से प्रभावी है, लेकिन यह भी अन्य एकल मात्रा इमेजिंग तकनीक का उपयोग कर और एच 2 15o पीईटी और 99mTc-ईसीडी SPECT सहित प्लेटफार्मों, साथ ही छिड़काव साइन स्कैनिंग और सफल रहा है बड़ा VBM एमआरआई. समय श्रृंखला rsfMRI को इसके सफल आवेदन 48 बहुत बढ़ाया तकनीक के भविष्य के विकास जरूरी है.

एसएसएम के मुख्य ताकत की पहचान करने की क्षमता में निहित हैडेटा में परिवर्तन के स्रोतों और स्थानिक orthogonal घटकों में उन्हें अलग करने के लिए. अधिकांश अध्ययनों में, केवल कुछ महत्वपूर्ण घटक इस प्रकार नाटकीय रूप से प्रासंगिक डेटा सेट को कम करने, रोग प्रभाव के कारण हैं. रोग विशेष घटकों की पहचान करने के लिए, हम आदर्श एक संयुक्त समूह विश्लेषण 2,5 में लिंग और उम्र से मिलान स्वस्थ नियंत्रण विषयों के साथ रोग विषयों के बराबर संख्या में शामिल हैं. इस स्थिति में, रोग के कारण सामान्य मूल्यों से विचलन पूर्ण रूप में आम तौर पर छोटे हैं और नियंत्रण 2,5,6 से मरीजों भेदभाव नहीं है कि बड़े वैश्विक कारकों से छिप. डेटा का वितरण 49 के पास guassian है जब पीसीए एक प्रभावी विश्लेषणात्मक उपकरण है. एसएसएम प्रक्रिया मूल रूप से एक लॉग सामान्य वितरण 50 में डेटा धर्मान्तरित और additive शब्दों में गुणा करने वाला कारक है जो अलग लॉग परिवर्तन करता है. बाद में विषय केंद्रित (पंक्ति घटाव मतलब है) किसी भी है कि हटा एक आवश्यक कदम है मतलबलॉग इन आंकड़ों से ubject वैश्विक स्केलिंग कारक है. यह बात आम तौर पर विश्लेषणात्मक न्यूरोइमेजिंग प्रक्रियाओं में एक आवश्यक preprocessing कदम है कि भले ही प्रारंभिक विषय वैश्विक मतलब सामान्य बनाने एसएसएम में कोई प्रभाव नहीं है निकलता है. इसी तरह, किसी भी क्षेत्रीय मतलब द्वारा पूर्व सामान्यीकरण कोई प्रभाव नहीं है.

मतलब केन्द्रित लॉग छवियों समान साथियों की एक अपरिवर्तनीय विशेषता छवि माना जा सकता है कि जीएमपी छवि उत्पन्न करने के लिए विषयों पर औसतन कर रहे हैं. विषयों पर केंद्रित बाद स्तंभ विषय अवशिष्ट एसआरपी चित्र बनाने के लिए क्षेत्रीय साधन (जीएमपी) को हटा. एसआरपी वैक्टर ओर्थोगोनल पीसी पैटर्न और प्रत्येक पीसी के लिए संदर्भ समूह के स्कोर का एक सेट उत्पन्न करने के लिए पीसीए विश्लेषण में प्रवेश कर रहे हैं. भावी एकल विषय स्कोर मूल्यांकन, समूह विश्लेषण आवश्यक नहीं है, विषय के एसआरपी विषय मतलब के घटाव और संदर्भ समूह जीएमपी द्वारा मूल्यांकन किया है और इस विषय का स्कोर तब एसआरपी वेक्टर के अदिश आंतरिक उत्पाद के रूप में निर्धारित किया जाता है औरprederived पीसी पैटर्न वेक्टर. इस स्कोर आम तौर पर नया डेटा मूल व्युत्पत्ति में के रूप में एक समान तरीके से प्राप्त किया जाता है बशर्ते कि संदर्भ स्कोर की सीमा के भीतर गिर जाता है. एक अलग सेटिंग में, पीसी वेक्टर अभी भी एक अलग साधन इमेजर के लिए एक वैध पैटर्न हो सकता है लेकिन एक व्याख्या स्कोर प्राप्त करने के लिए, एक recalibration की प्रक्रिया नए संदर्भ स्कोर का मूल्यांकन करने के लिए किया जाना चाहिए. recalibration की प्रक्रिया पीसीए विश्लेषण की आवश्यकता होती है, लेकिन पूर्व निर्धारित पैटर्न और एक नव निर्धारित जीएमपी का उपयोग कर रोगियों और नियंत्रण का एक पूरा नया पलटन के लिए एक विषय के स्कोर एक साधारण दृढ़ संकल्प है नहीं करता है.

यह एक विशिष्ट साधन भले ही एसएसएम / पीसीए पैटर्न में मात्रा का पूर्ण उपाय के रूप में व्याख्या नहीं की जा सकती व्युत्पन्न कुछ शारीरिक मापदंड, प्रतिबिंबित कर सकते हैं कि ध्यान दिया जाना चाहिए. सबसे पहले, वे मतलब मूल्यों से voxel मतभेद की Interregional सहप्रसरण से निकाली गई है. इन मतभेदों को विभिन्न नेटवर्क से हो सकता हैकार्य और समग्र प्रभाव का प्रतिनिधित्व कर सकते. इसलिए, पीसीए पैटर्न एक नेटवर्क या अधिक जटिल प्रक्रियाओं के भीतर सहप्रसरण प्रतिबिंबित कर सकते हैं कि एक गणितीय निर्माण है. बीमारी की गंभीरता या सामान्य मनोदैहिक उपायों के नैदानिक ​​उपायों के साथ पैटर्न के स्कोर के सहसंबंध विश्लेषण प्रदर्शन करके, और anatomically अत्यधिक भारित पैटर्न क्षेत्रों की पहचान करके, हम परोक्ष रूप से इन नमूनों के महत्व की व्याख्या कर सकते हैं. इसके अलावा, समग्र पीसी पैटर्न इसी स्कोर मूल्यों पर लगाया Akaike या अन्य जानकारी सैद्धांतिक मापदंड के साथ, रसद प्रतिगमन का उपयोग कर ली गई गुणांक के साथ पीसी के रैखिक संयोजन के रूप में निर्माण कर रहे हैं. इन बेहतर भेदभाव का परिणाम हो सकता है, वे अधिकतर उच्च गुणांक के साथ कम महत्वपूर्ण घटकों को शामिल कर सकते हैं. इस प्रकार, चिकित्सकीय समान "देखो एक तरह" शर्तों ("नैदानिक ​​बायोमार्कर") की सटीक अंतर निदान के लिए डिज़ाइन किया गया सहप्रसरण topographies जटिल फिजियो chemic की कंपोजिट हो सकता हैआसानी से व्याख्या शारीरिक नेटवर्क 13 से जरूरी संगत नहीं अल प्रक्रियाओं,. इसके विपरीत, अन्य पैटर्न ऐसे parkinsonian कंपन या संज्ञानात्मक रोग 15,51,52 के रूप में विशिष्ट रोग अभिव्यक्तियों के स्थलाकृतिक पहचान पर कब्जा करने के लिए, या रोग प्रगति 7,16 निगरानी के लिए इष्टतम हो सकता है. बायोमार्कर के समारोह के विशिष्ट उद्देश्य के लिए एक अंतिम चयन करने में विचार किया जाना चाहिए.

यह स्वतंत्र साथियों 10 में भावी विषय के स्कोर का मूल्यांकन द्वारा एक संभावित biomarker मान्य करने के लिए आवश्यक है. अधिमानतः, पार सत्यापन शुरू में एक voxel द्वारा voxel आधार पर पैटर्न स्थलाकृति की विश्वसनीयता निर्धारित करने के लिए और संभावित ग़ैर प्रभाव को बाहर करने की व्युत्पत्ति नमूने में प्रदर्शन किया जाना चाहिए. यह अंत करने के लिए, bootstrapping प्रक्रियाओं 8,9 नियमित रूप से लागू कर रहे हैं. यह दृष्टिकोण सबसे मजबूत ध् की पहचान करने के लिए नये नमूने व्युत्पत्ति डेटा में पैटर्न व्युत्पत्ति चलने की आवश्यकताoxels, voxel के वजन में सबसे कम मानक विचलन के साथ उन अर्थात्. वैकल्पिक रूप से कम विश्वसनीय voxels को दूर करने के लिए मूल डेटा मास्किंग से, उच्च भेदभाव तो भावी डेटा सेट में मान्य किया जाना चाहिए कि एक rederived पैटर्न के लिए प्राप्त किया जा सकता है.

जैसा कि पहले उल्लेख एक एसएसएम / पीसीए biomarker के स्थापित हो जाने के बाद, यह भावी व्यक्ति या समूह के डेटा के लिए लागू किया जा सकता है. व्युत्पन्न स्कोर अनुदैर्ध्य इमेजिंग डेटा में नेटवर्क प्रगति नापने से एक मरीज की स्थिति पर नजर रखने के लिए, या उपचार के प्रभाव का मूल्यांकन करने के लिए इस्तेमाल किया जा सकता है. अनिर्धारित निदान के जटिल मामलों में, विषय के स्कोर के सेट अलग विकल्प 12,13 के बीच भेद करने के लिए (या अन्य विभेदक समारोह मॉडल में) रसद प्रतिगमन विश्लेषण में प्रवेश किया जा सकता है. यह दृष्टिकोण जल्दी रोग के साथ व्यक्तियों में नैदानिक ​​misdiagnosis के उच्च दर, और बदलती रोग का निदान और विभिन्न underlyin के साथ जुड़े उपचार के परिणाम को देखते हुए अत्यंत महत्वपूर्ण हो सकता हैजी विकृतियों. एक अंतिम बिंदु के रूप में, एसएसएम पैटर्न आधारित समूह स्कोर मूल्यांकन मस्तिष्क विकारों 15,53,54 के लिए प्रायोगिक चिकित्सा के नैदानिक ​​परीक्षणों में एक महत्वपूर्ण उपकरण हो सकता है.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

डॉ. Eidelberg तंत्रिका तंत्र में शिथिलता के लिए रोगियों (वित्तीय लाभ के बिना) की छानबीन के लिए इमेजिंग मार्कर के उपयोग पर दो अमेरिकी पेटेंट के सह आविष्कारक के रूप में सूचीबद्ध है. कोई आगे खुलासे कर रहे हैं.

Acknowledgments

यह काम राष्ट्रीय मस्तिष्क संबंधी विकार के संस्थान और स्ट्रोक से डे को अनुदान सं P50NS071675 (चिकित्सा अनुसंधान के लिए Feinstein संस्थान में पार्किंसंस रोग अनुसंधान में उत्कृष्टता के मॉरिस लालकृष्ण Udall सेंटर) द्वारा समर्थित किया गया था. सामग्री केवल लेखकों की ज़िम्मेदारी है और जरूरी राष्ट्रीय मस्तिष्क संबंधी विकार के संस्थान और स्ट्रोक या स्वास्थ्य के राष्ट्रीय संस्थान के आधिकारिक विचार का प्रतिनिधित्व नहीं करता. प्रायोजक, अध्ययन डिजाइन, संग्रह, विश्लेषण और डेटा की व्याख्या में एक भूमिका निभा रिपोर्ट का लेखन या प्रकाशन के लिए कागज प्रस्तुत करने के निर्णय में नहीं था.

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

चिकित्सा अंक 76 तंत्रिका जीव विज्ञान तंत्रिका विज्ञान शरीर रचना विज्ञान शरीर विज्ञान आणविक जीवविज्ञान बेसल गैन्ग्लिया रोग Parkinsonian विकार पार्किंसंस रोग आंदोलन विकार neurodegenerative रोगों पीसीए एसएसएम पीईटी इमेजिंग बायोमार्कर कार्यात्मक ब्रेन इमेजिंग बहुभिन्नरूपी स्थानिक सहप्रसरण विश्लेषण वैश्विक सामान्य विभेदक निदान पीडी मस्तिष्क इमेजिंग नैदानिक ​​तकनीक
न्यूरोइमेजिंग डेटा का उपयोग कर रोग से संबंधित स्थानिक सहप्रसरण पैटर्न की पहचान
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