Waiting
Login processing...

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

Medicine

Identificación de los modelos de covarianza espaciales relacionados con la enfermedad utilizando los datos de neuroimagen

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

Técnicas multivariantes, incluyendo el análisis de componentes principales (PCA) se han utilizado para identificar los patrones de la firma de cambio regional en las imágenes funcionales del cerebro. Hemos desarrollado un algoritmo para identificar biomarcadores de red reproducibles para el diagnóstico de trastornos neurodegenerativos, la evaluación de la progresión de la enfermedad, y la evaluación objetiva de los efectos del tratamiento en poblaciones de pacientes.

Abstract

El modelo subperfil escala (SSM) 1-4 es un algoritmo multivariante PCA basado en que se determinan las principales fuentes de variación en el paciente y los datos de imagen del cerebro del grupo de control al tiempo que rechaza los componentes menores (Figura 1). Aplicado directamente a los datos de covarianza voxel por voxel de imágenes multimodalidad en estado estacionario, todo un conjunto de imágenes de grupo se puede reducir a unos patrones de covarianza linealmente independientes significativos y resultados sujetos correspondientes. Cada patrón, denomina un grupo subperfil invariante (SIG), es un componente principal ortogonal que representa una red distribuida espacialmente de las regiones del cerebro relacionadas entre sí funcionalmente. Grandes efectos globales escalares medios que pueden oscurecer pequeñas contribuciones específicas de la red se eliminan mediante la conversión logarítmica inherente y significan el centrado de los datos 2,5,6. Los sujetos expresan cada uno de estos patrones en un grado variable representada por una puntuación escalar simple que se puede correlacionar con Clin independientedescriptores cos o psicométrica 7,8. Mediante un análisis de regresión logística de las puntuaciones de objeto (es decir, los valores de expresión de patrones), los coeficientes lineales se pueden derivar de combinar múltiples componentes principales en los patrones de covarianza espaciales relacionados con la enfermedad individual, es decir, redes compuestas con una mejor discriminación de los pacientes de control sanos 5,6. La validación cruzada dentro del grupo de derivación se puede realizar utilizando técnicas de remuestreo bootstrap 9. Validación Forward se confirma fácilmente por evaluación directa puntuación de los patrones derivados de los posibles conjuntos de datos 10. Una vez validados, los patrones relacionados con la enfermedad se pueden utilizar para marcar los pacientes individuales con respecto a una muestra de referencia fija, a menudo el conjunto de sujetos sanos que se utilizó (con el grupo de enfermedad) en la derivación patrón original 11. Estos valores estandarizados pueden a su vez ser utilizados para ayudar en el diagnóstico diferencial de 12,13 y para evaluar la enfermedadprogresión y tratamiento de los efectos a nivel de red 7,14-16. Se presenta un ejemplo de la aplicación de esta metodología a los datos FDG PET de pacientes con enfermedad de Parkinson y los controles normales que utilizan nuestro software propio para derivar una covarianza patrón característico de biomarcadores de la enfermedad.

Introduction

Los trastornos neurodegenerativos se han estudiado ampliamente el uso de técnicas que localizar y cuantificar las anomalías del metabolismo del cerebro, así como métodos no inferenciales que estudian las interacciones regionales 17. Estrategias de análisis multivariados por datos tales como el análisis de componentes principales (PCA) 1,2,4,18 y análisis de componentes independientes (ICA) 19,20, así como las técnicas supervisadas tales como mínimos cuadrados parciales (PLS) 21 y las tendencias ordinales canónicas análisis de variables aleatorias (ORT / CVA) 22 puede revelar patrones característicos o "redes" de actividad interrelacionadas. Los fundamentos de los procedimientos multivariantes, en particular el modelo subperfil escala (SSM) 1,2,4-6,18 se han descrito anteriormente en JoVe 3. Este enfoque basado en PCA fue desarrollado originalmente para examinar las relaciones de covarianza funcionales anormales entre las regiones cerebrales en imágenes de volumen individuales en estado estacionario de flujo sanguíneo cerebral y el metabolismo ACQpedirá otra en el estado de reposo de modalidades tales como PET y SPECT que exhiben altas características de señal-a-ruido. Patrones SSM enfermedades específicas son biomarcadores de imagen que reflejan las diferencias generales en la topografía regional en los pacientes en comparación con los sujetos normales 7,16 y puede reflejar un proceso de red única o la asimilación de varias funciones anormales complejos 23. Redes cerebrales patrón de covarianza metabólicos se asocian con los valores de expresión (puntuaciones de los sujetos) que pueden distinguir entre grupos de controles y la enfermedad y proporcionar medidas basadas en la red que se correlacionan con puntuaciones clínicas de gravedad de la enfermedad. Típicamente, puntuaciones de los sujetos para tales patrones aumentan con la progresión de la enfermedad e incluso pueden ser expresados ​​antes de inicio de los síntomas 14,24. En efecto, los biomarcadores de la red relacionados con la enfermedad se han caracterizado para los trastornos neurodegenerativos como la enfermedad de Parkinson 10 (PD), la enfermedad de Huntington 25 (HD), y la enfermedad de Alzheimer 8 12,13,26.

Por el contrario, los métodos univariados voxel basados ​​fMRI típicos evaluar la significación de las diferencias entre pacientes y controles en racimos cerebrales aisladas. Más recientemente, se han desarrollado métodos para medir la conectividad funcional entre las regiones del cerebro diversamente definidos 27-29. Esta definición de la conectividad funcional se limita a los sujetos y la región interacciones específicas y se desvía desde el concepto original SSM / PCA que se refiere a la interconexión de la sección transversal de las regiones cerebrales de red distribuidos espacialmente intrínsecas 1,2,23,30. Para su beneficio, plataformas de MRI unvolver fácilmente instalado, ampliamente disponible, no invasivo y típicamente requieren tiempo de exploración más corto que las modalidades de imagen de radiotrazadores tradicionales tales como PET o SPECT, que resulta en un aumento de las metodologías potenciales descritos en la literatura reciente. Sin embargo, las señales de resonancia magnética funcional en función del tiempo resultantes proporcionan medidas indirectas de la actividad neuronal local de 31,32. Los algoritmos analíticos generalmente complejas empleadas han sido limitados por el gran tamaño de los conjuntos de datos, el ruido fisiológica inherente a las señales de resonancia magnética funcional, así como la alta variabilidad en la actividad cerebral que existe entre los sujetos y regiones 19,23. Aunque la información interesante con respecto a la organización del cerebro puede deducirse de las propiedades de "redes" fMRI, que no han sido lo suficientemente estable como para ser utilizado como biomarcadores de la enfermedad fiables. Por otra parte, las topografías de red resultantes no son necesariamente equivalentes a los identificados usando metodologías de imágenes funcionales establecidos, como SSM / PCA. Para the mayor parte, rigurosa validación cruzada de las topografías fMRI resultantes ha faltado con algunos ejemplos de aplicación hacia adelante con éxito de patrones derivados de datos de exploración de posibles casos individuales.

Una ventaja de análisis de covarianza PCA reside en su capacidad para identificar las fuentes más importantes de variación de los datos en los primeros pocos componentes principales, pero es ineficaz si los vectores propios prominentes representan los factores de ruido al azar en lugar de respuesta real de la red intrínseca. Al seleccionar sólo los primeros vectores propios y limitar a los que muestran diferencias significativas en las puntuaciones de control de los pacientes en comparación con lo normal, se reduce en gran medida la influencia de los elementos de ruido. Sin embargo, para el enfoque básico descrito aquí, estas medidas pueden no ser adecuadas para generar estimadores robustos en un conjunto de datos de resonancia magnética funcional típico con la excepción de las modalidades descritas a continuación.

Por lo tanto, debido a la relación directa estable de g regionallucosa metabolismo y la actividad sináptica de 33 años, esta metodología se ha aplicado principalmente en el análisis de datos de PET con FDG estado de reposo. Sin embargo, dado que el flujo sanguíneo cerebral (FSC) está estrechamente acoplado a la actividad metabólica en el estado de reposo 10,11,34, 35,36 SPECT y más recientemente arterial spin labeling (SNM) métodos de formación de imágenes de resonancia magnética de perfusión 37,38, se han utilizado para evaluar la actividad metabólica anormal en casos individuales. Dicho esto, la derivación de los patrones espaciales de covarianza fiables con fMRI estado de reposo (rsfMRI) es como antes no se observó sencilla 31,32. A pesar de ello, el análisis de SSM / PCA preliminar de los datos rsfMRI de los pacientes con EP y sujetos control ha revelado algunas homologías topográficas entre los patrones relacionados con la enfermedad identificados con las dos modalidades, PET y la amplitud de las fluctuaciones de baja frecuencia (ALFF) de BOLD fMRI 39,40 . Por último, observamos también que este enfoque se ha aplicado con éxito en voxel basada morphometría (VBM) datos de resonancia magnética estructurales 41,42, revelando los patrones espaciales de covarianza distintivos asociados con la pérdida de volumen relacionada con la edad y en otras comparaciones de VBM y los patrones de ASL en los mismos 43 sujetos. La relación entre el SSM / PCA topografías covarianza espacial y las redes cerebrales análogas identificadas utilizando diferentes enfoques analíticos y plataformas de formación de imágenes es un tema de investigación en curso.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Recolección de datos y preprocesamiento

  1. El método SSM / PCA se puede aplicar a imágenes de volumen individuales obtenidos a partir de diversas fuentes y modalidades. En concreto, para en el lugar de la PET del metabolismo, prepare un trazador radionucleido adecuado como [18 F]-FDG (FDG) y administrar a cada paciente. Los pacientes suelen ser escaneados en reposo con los ojos abiertos, tras un ayuno de al menos 12 horas, frente a los medicamentos.
  2. Analiza cada materia para la evaluación individual o de grupo. Por derivación modelo, escanear un número igual de pacientes y controles de género y de edad correspondiente.
  3. La transferencia de datos a una estación de trabajo y convertir a un formato adecuado para el análisis de su plataforma. Nuestro PC basado en Windows software de análisis de MATLAB (scanvp, ssm_pca, www.feinsteinneuroscience.org ) requiere analizar o imágenes en formato NIfTI (Mayo Clinic, Rochester, MN). Proporciona una rutina t conversiónescáner o transformación GE anticipada (Milwaukee, WI, EE.UU.) y otras imágenes en formato de analizar formato.
  4. Normalizar la imagen de cada sujeto a un espacio estereotáxico común (por ejemplo, el Instituto Neurológico de Montreal [MNI]) usando un paquete de software estándar de neuroimagen como la cartografía estadística paramétrica (SPM) ( http://www.fil.ion.ucl.ac.uk/spm ) de modo que hay un uno-a-uno de los valores de voxel entre sujetos (Figura 2). Enmascaramiento de limitar el análisis a las áreas de materia gris (Figura 3) y la transformación de registro se describen en los siguientes pasos.

2. Realizar multivariado SSM / PCA

Operaciones para multivariante SSM / PCA (Figura 4) pueden ser realizadas por software externo. Los pasos detallados a continuación reflejan los procedimientos que se realizan en su mayor parte de forma automática por las rutinas de nuestra in-house (Figura 5) (scanvp / ssmpca, www.feinsteinneuroscience.org también disponible como una caja de herramientas ssm_pca SPM).

  1. Datos de la máscara utilizando una imagen disponible 0/1 para eliminar áreas no deseadas del espacio voxel como la materia blanca y los ventrículos. Uso de la rutina ssmpca, el usuario se le da la opción de seleccionar el valor predeterminado o otra máscara externa (Figura 3) o para que el programa crea automáticamente una máscara mediante la eliminación de valores inferiores a un porcentaje fijo seleccionado de datos máxima de cada sujeto. Máscaras sujetos individuales se multiplican para determinar una máscara compuesta. Las áreas dentro de la máscara definen un espacio común del voxel distinto de cero para el análisis.
  2. Convertir los datos en 3D voxel imagen enmascarada de cada sujeto a un vector fila continua añadiendo líneas de barrido secuencial de planos consecutivos (Figura 4a). Formar una matriz de datos de grupo (D), de modo que los datos de cada sujeto corresponde a una r específicaow de la matriz. Cada columna representa entonces un voxel particular, a través de temas. Idealmente, para la obtención de biomarcadores, la matriz se compone de un número igual de filas de datos sujetos normales de control y datos sujetos enfermedad.
  3. Transformar cada entrada de datos de forma logarítmica.
  4. La matriz de datos, restando cada media fila o sujeto centro medio de los elementos de fila. El promedio de todas las filas centrados representa un grupo característico significa imagen Registro denomina un perfil de media del grupo (GMP, Figura 4a). Restar las medias de las columnas que son los elementos de la GMP de los elementos de columna de matriz correspondientes. Cada fila de la matriz de centrado doble representa una imagen "residual" denomina un perfil de materia residual (SRP) cuyos elementos representan desviaciones de tanto el sujeto s y voxel medias de los grupos v (Figura 4b).
    SRP sv = logD sv - significará s - GMP v
  5. Construir el subjcovarianza ect-por-sujeto matriz C de la matriz de datos centrada en el doble de material compuesto mediante el cálculo de la covarianza no normalizada entre cada par sujeto i, j de SRP filas de la matriz evalúa como un producto de elementos voxel correspondientes sumada sobre todos los voxels V (Figura 4b) .
    C ij = Σ v (SRP iv x SRP jv)
  6. Aplicar PCA a la covarianza sujeto por sujeto matriz C. El resultado será un conjunto de puntuación sujetos vectores propios con valores propios asociados. Ponderar cada vector de multiplicar por la raíz cuadrada de su correspondiente valor propio. El conjunto de vectores propios puntuación está representada por las columnas de la matriz resultante S en la Figura 4c.
  7. Vectores propios Voxel para el mismo conjunto de valores propios se pueden determinar mediante la aplicación de PCA a la columna por la columna o matriz de covarianza por esta alternativa computacionalmente menos exigentes procediUre representa en la (Figura 4c). Izquierda multiplicar la matriz de puntuación vector derivado previamente por la matriz SRP transposición para derivar una matriz P de vectores propios patrones voxel por orden de valores propios (Figura 4c, la Figura 6, Figura 7) descendente.
    P = SRP T x S
    Cada vector de columna representa un componente principal patrón de imagen (PC) del análisis SSM / PCA atribuido a un por ciento de la varianza total representaron (VAF) correspondiente al tamaño relativo de su valor propio.

3. Patrón de biomarcadores Derivación

  1. Examine los resultados del análisis anterior para determinar los patrones de PC que están asociados con valores altos VAF. Dentro de nuestra rutina, vectores patrón voxel son Z-transformado de modo que sus valores representan desviaciones estándar positivos y negativos de su media. A continuación, se forman de nuevo en formato de imagen antes de la visualización (Figura 7).
  2. Las puntuaciones correspondientes a cada modelo de PC se muestran en forma de gráficos de barras y gráficos de dispersión (Figura 7). Las parcelas ROC opcional se puede generar (Figura 7d). Para identificar un patrón específico de la enfermedad, cuenta la diferenciación de las puntuaciones de los sujetos entre los pacientes y los controles reflejan los valores de p de la muestra de dos t-test y los valores AUC correspondientes. Limitar el análisis a aquellos ordenadores asociados con una alta VAF y alta diferenciación para algunos valores de corte fijos (por ejemplo, p <0,05 y VAF> 5%). Por lo general, sólo una o dos PCs satisfacen este criterio para los datos de PET.
  3. Hay variabilidadotras formas sas para selección de PC que pueden ser considerados 44. El gráfico de sedimentación secuencial (Figura 6) puede dar un valor de corte afilado representado por una curva en la curva y una fuerte reducción de la pendiente de la curva en la que los valores propios comienzan a degenerar. Otro método es incluir a todos los equipos que representan el 50% superior de la varianza. Un procedimiento ampliamente aceptada es la de calcular el Criterio de Información de Akaike (AIC) 45 para determinar qué combinación de PCs definir el modelo con el valor de AIC que puede distinguir entre pacientes y controles.
  4. El PC seleccionado (s) puede ser vector normalizado y combinan linealmente para producir un único patrón de la enfermedad relacionada con. Nuestro software utiliza opcionalmente la función glmfit MATLAB para determinar coeficientes basados ​​en modelos de regresión logística o de otro tipo aplicados a puntuaciones de los sujetos. A pesar de la diferenciación de los pacientes y grupos de control por lo general mejora con los PCs adicionales considerados en el degrupo rivation, los patrones resultantes son una representación compuesta que pueden no corresponder a una sola red física o puede incorporar desviaciones atípicas (Figuras 7a y 7c).
  5. Se requiere más validación de la fiabilidad y la importancia potencial. Remuestreo bootstrap se puede realizar como se discute a continuación 8 para identificar los vóxeles más fiables dentro del conjunto de datos original de derivación asociado con la menor desviación estándar en derivación patrón repetido. Reenviar validación se realiza para detectar la sensibilidad y especificidad de la discriminación grupo independiente derivando calificaciones de los grupos potenciales de los pacientes y los controles utilizando el método de evaluación de puntuación de una sola materia (Figura 4d) se describe en el siguiente segmento del protocolo.

4. Único sujeto prospectivo Puntuación de evaluación mediante un biomarcador predeterminados

  1. Una vez que un patrón significativo biomarcador SSM-GISha sido identificado, una puntuación por su expresión en un sujeto potencial puede ser evaluado de la exploración de ese individuo utilizando un simple cálculo del producto vectorial interna de la del sujeto SRP vector y el vector patrón SIG (Figura 4d, la Figura 7d).
    SCORE = SRP • Patrón
  2. La operación anterior se automatiza por nuestra rutina TPR. Sin embargo, para obtener de forma independiente la SRP vector objeto utilizar la máscara GIS intrínseca asociada a los datos transformados logarítmicamente y restar tanto la media como sujeto y los valores de voxel correspondientes de la referencia prederived grupo GMP como en el paso 2.4. Esto asegura que los resultados se pueden comparar con el rango de referencia predeterminado. Las puntuaciones para un nuevo grupo pueden ser evaluados de manera similar como un conjunto de puntuaciones de los sujetos individuales posibles. Para el uso con un grupo de referencia diferente o ajuste, GMP puede ser recalibrado mientras que el patrón no se ha modificado.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Una sencilla aplicación de análisis SSM / PCA multivariado para derivar un patrón de biomarcadores de neuroimagen para PD se ilustra a continuación. FDG PET imágenes de cada diez pacientes diagnosticados clínicamente PD (6M/4F, 59a 7y ± sd) de duración variable de enfermos (9y 5a ± sd) y diez años de edad y el sexo controles pareados normales (6M/4F, 58y 7y ± DE) fueron analizados utilizando nuestra rutina ssmpca. Los veinte correspondientes imágenes espacialmente pre-normalizados fueron seleccionados inicialmente bajo las Categorías de sujetos con enfermedad o controles junto con la máscara predeterminada (Figura 3). La salida del programa de los primeros 16 archivos de imágenes de componentes principales y una lista de archivos de sus resultados asociados, junto con un gráfico de sedimentación secuencial (Figura 6). Imágenes de PC secuenciales y bar asociado y gráficos de dispersión se muestran en la pantalla para su revisión inicial como se muestra en las figuras 7a y 7b. Tenga en cuenta que la primera componente de la PC representópara la VAF más grande (24%) y sus puntuaciones de los sujetos asociados discriminar significativamente a los pacientes de los controles (p = 0,0002) sobre la base de dos muestras de prueba-t de las características y ROC (AUC = 0,99, sensibilidad = 0,93 para la especificidad = 0,95). Por estas razones se puede considerar un marcador biológico por sí mismo y es de hecho altamente correlacionados espacialmente con un PD biomarcador derivado previamente PDRP 46,47 (R2 = 84%, p <0,001) validado en numerosos conjuntos de datos prospectivos 5. El segundo modelo (p = 0,81, AUC = 0.54) y el tercer modelo (p = 0,38, AUC = 0.63) no discriminaron significativamente y pueden originarse en los procesos normales que no están muy afectados por la enfermedad. El cuarto patrón (VAF = 7%) discrimina en un grado mucho menor que la primera PC (p = 0,13, AUC = 0,71) y puede estar asociada con factores de la enfermedad menos prominentes. Otros PC fueron ignorados debido a la disminución de los valores de VAF (<7%) combinados con no significativa la discriminación de las puntuaciones normales y el paciente (p> 0,4).La degeneración de las diferencias de valores propios se ilustra en la Figura 6.

La primera y la cuarta patrones eran vector normal y lineal combinado con nuestro software para determinar los coeficientes asociados (0,78, 0,63) para el paciente / control óptimo discriminación marcador mediante un modelo de discriminación logística. Los resultados del SIG compuestos en una discriminación mejorada, como se indica por el valor de p (p = 10 -5, Figura 7b) y un valor de AUC perfecta de 1,0 para el grupo de derivación. El VAF compuesto (17,3%) asociada con este patrón se evalúa como la suma de los vafs individuales (24%, 7%) modificado por los cuadrados de los coeficientes lineales. Sin embargo, tenga en cuenta que este modelo logra mayor discriminación, atribuyendo un porcentaje desproporcionadamente elevado coeficiente (en comparación con los valores VAF) a la menos importante PC4. Incluso mayor discriminación dentro del grupo de derivación se puede conseguir usando componentes adicionales con la misma reserva. En our caso sólo había ligera mejora mediante la adición de PC3 (p = 3x10 -6) (Figura 7c) y ninguna mejora mediante la inclusión de todos los cuatro PC (p = 10 -5) debido a la capacidad de no discriminante de la PC2. Todos los patrones combinados tenían perfectas características ROC (AUC = 1 = 1 y la sensibilidad, especificidad = 1 para un umbral bajo Z-score). Sin embargo, estos valores son específicos para el grupo de derivación. La validez de los biomarcadores final tiene que ser verificado en la evaluación prospectiva interpretada aquí por un grupo independiente de 22 pacientes (15M/7F, 57y ± 9y sd, duración de la enfermedad a 10 años 4y ± sd) y 22 controles (4M/18F, 55y ± 15y sd) (Figura 7d). Aunque significativamente mayor diferenciación se logró en el grupo de derivación mediante la combinación de más de un PC, la misma ventaja relativa no se mantuvo en el grupo de prueba, aunque todas las cuatro combinaciones se comportaron bien. La primera PC demostró mayor diferencia media en el grupo prospectivo data (p = 5x10 -8, AUC = 0.95) que los patrones combinados PC1_3_4 (p = 2x10 -7, AUC = 0.95) y PC1_2_3_4 (p = 6x10 -7, AUC = 0.92) atribuidos a su validez innata. Una ventaja de menor importancia se logró mediante el aditivo PC1_4 (p = 3.2x10 -8, AUC = 0,96). Aunque el valor prospectivo AUC fue ligeramente superior para PC1_4, la sensibilidad para una especificidad de 0,95 parece disminuir con aditivos PC desde un valor de aproximadamente 0,8 para PC1 a 0,5 para PC1_2_3_4. Es evidente que sería necesario más amplio muestreo para predecir con más exactitud estos valores a juzgar por la creciente irregularidad de la parcela ROC. Además, una mayor precisión podría haberse logrado mediante el uso de un grupo más grande de derivación como se demuestra en las publicaciones anteriores. Sin embargo, es evidente a partir de estas pantallas que la misma precisión discriminante alcanzado en el grupo de derivación no siempre generalizar a la evaluación de grupo independiente, lo que requiere una validación prospectiva de los patrones de derivación.

Por lo tanto, nuestra base de datos original de 20 imágenes del objeto se reduce a una imagen del patrón esencial PC PC1 que realiza así como un biomarcador de diagnóstico de la enfermedad en 44 pacientes potenciales.

Figura 1
Figura 1. Esquema del SSM / PCA estrategia de modelado de datos normales y el paciente escáner. Procesa los algoritmos SSM / PCA para derivar un biomarcador neuroimagen y puntuaciones de los sujetos asociados. La diferencia de medias entre las puntuaciones de los pacientes y sujetos normales es significativa. Haz clic aquí para ver más grande la figura .

La figura 2 Figura 2. Preprocesamiento y enmascaramiento de datos. Imágenes del escáner primas se normalizaron espacialmente para mapear voxels de un espacio estereotáxico común para todas las materias y suavizadas utilizando un kernel Guasian. La operación de enmascaramiento elimina el espacio ventricular y el ruido.

Figura 3
Figura 3. Esta máscara materia gris por defecto 0/1 se creó a partir del procesamiento de 72 sujetos normales. Individuales de datos espaciales normalizados se thresholded al 38% de su valor máximo para crear máscaras individuales que se multiplican juntos. La máscara multiplicativo se volcó izquierda a derecha a través del origen y se multiplica con el original para crear la máscara symmetrized final.

"Figura La Figura 4. Rutas de flujo de la SSM / PCA Processing. A) formulación vector Asunto de la matriz de datos. Transformación logarítmica. Fila de centrado. Evaluación del vector de GMP. B) Columna de centrado. Derivación de SRP. La construcción de la matriz de covarianza C. c) Análisis de Componentes Principales. Derivación de vectores puntuación PC y patrones voxel. D) cálculo del puntaje solo tema prospectivo. Haz clic aquí para ver más grande la figura .

La figura 5
Figura 5. Software. Para realizar SSM / PCA el usuario puede seleccionar la opción SSM / PCA basado en voxel en el menú ScAnVP, seleccione los archivos de pacientes de imagen y controles normales, una máscara preferida y después del proceso. Transformación de registro se lleva a cabo de manera predeterminada. Después de revisar la producción y las parcelas de pantalla e imágenes mostradas, el usuario puede optar por combinar linealmente PCs seleccionados mediante regresión logística u otros modelos para crear un marcador biológico de mayor paciente / discriminación normales puntuación. Haga clic aquí para ver más grande la figura .

La figura 6
La Figura 6. Gráfico de sedimentación. Este gráfico de sedimentación secuenciales del objeto no normalizado por la matriz de covarianza sujeto resultó del análisis de 10 pacientes con EP y 10 controles normales SSM / PCA. Notarla fuerte caída de los valores propios después de la primera PC. Las diferencias entre los valores propios son pequeños después de la 4 ª PC.

La figura 7
La Figura 7 la salida del programa SSM / PCA a) Inicio:.. Pantalla axial (Z = 0) de los primeros cuatro imágenes de componentes principales (PC1 a 4). Abajo: vistas ortogonales a través de origen (X, Y, Z = 0,0,0) de PC1 y PCs combinados 1 y 4 (PC1_4) que se muestra sobre una imagen de resonancia magnética estructural. Los valores de PC voxel representan desviaciones positivas y negativas Z-score en relación con la carga media voxel. Colores cálidos indican aumentos relativos en la actividad metabólica en la contribución de la PC a la SRP en general mientras que los colores fríos indican disminuciones metabólicos relativos. Por PC que discriminan a los pacientes de los controles estas desviaciones pueden ser atributod de la enfermedad. b) gráficos de barras y diagramas de dispersión de la derivación sujetos puntuaciones Z de PC1 y PC4. Sólo el primer componente principal discrimina significativamente a los pacientes de los controles (p = 0,0002), mientras que el cuarto demuestra una tendencia (p = 0,13). La combinación de regresión lineal de PC1 y PC4 (coeficientes de 0,78, 0,63) mejora la discriminación (p = 0,00001). El valor AUC ROC y la sensibilidad para una especificidad de 0,95 también se muestran para cada patrón. El patrón combinado PC1_4 demuestra separación perfecta en un umbral Z-score de 0.9 (AUC = 1). C) vistas ortogonales del combinado PC1_3_4 y PC1_2_3_4 y las correspondientes barras sujetas gráficos para la derivación sujetos puntuaciones z. Discriminación aumentó (p = 3x10 -6 -5 y 10, respectivamente) en comparación con la de PC1 para estas dos combinaciones diferentes. AUC características indicadas separación perfecta en ambos casos (AUC = 1, 1 = sensibilidad, especificidad = 1). Vea la nota en relación 7a leyendación de la escala de colores. d) Evaluación calificación prospectiva de los patrones de PC1, PC1_4, PC1_3_4 PC1_2_3_4 y en 22 controles sanos y 22 pacientes con EP. Bar y gráficos de dispersión de las parcelas, así como la trama ROC para sujetos puntajes Z se muestran los valores de AUC, así como la sensibilidad a la especificidad de 0.95 se indica .. Los valores de AUC y la sensibilidad parecen disminuir durante más de dos componentes principales combinados, mientras que los valores de p tienden a ser menos robustos. Una mejora significativa se observó para PC1_4 en los valores de AUC y p invalidar la diferencia significativa pronosticada en la muestra de la derivación. Haz clic aquí para ver más grande la figura .

Subscription Required. Please recommend JoVE to your librarian.

Discussion

El modelo de SSM / PCA presentó originalmente por Moeller et al. 4 ha evolucionado 1-3 en una técnica sencilla y robusta para el análisis de los datos de neuroimagen. Sin embargo, ha habido ambigüedad en la aplicación de esta metodología que hemos intentado aclarar aquí y en publicaciones anteriores 5-7,10. Algunas de estas cuestiones han sido abordadas en el texto, pero se volvió a hacer hincapié aquí debido a su importancia. Como se detalla en la Introducción, SSM / PCA es principalmente eficaz para descansar datos de PET con FDG estatales, pero también ha tenido éxito con otras técnicas de imagen individuales de volumen y escaneo plataformas incluyendo H 2 15 O PET y SPECT 99mTc-ECD, así como ASL perfusión y volumétrica VBM MRI. Su aplicación exitosa de las series temporales rsfMRI exige el desarrollo futuro de las técnicas muy mejoradas 48.

La principal fortaleza de SSM reside en su capacidad para identificarfuentes de variación en los datos y para separar espacialmente en componentes ortogonales. En la mayoría de los estudios, sólo unos pocos componentes significativos son atribuibles a efectos de la enfermedad, lo que reduce drásticamente el conjunto de datos relevante. Para identificar los componentes específicos de la enfermedad, lo ideal es incluir un número igual de sujetos con enfermedad con el género y los controles sanos emparejados por edad en un análisis de grupo combinado 2,5. En esta situación, las desviaciones de los valores normales debido a la enfermedad son generalmente pequeñas en términos absolutos y oscurecidos por factores globales más grandes que no discriminen a los pacientes de controles 2,5,6. PCA es una herramienta analítica eficaz cuando la distribución de los datos es cerca-Guassian 49. El procedimiento de MSE realiza la transformación de registro que convierte básicamente los datos en un registro de distribución normal 50 y separa factores multiplicativos en términos de aditivos. Asunto posterior significa centrado (fila significa sustracción) es un paso necesario que elimina cualquier sSujeto factores de escala mundial de los datos de registro. Esto implica que la normalización preliminar sujeta media global no tiene ningún efecto en la SSM a pesar de que es generalmente un paso de preprocesamiento necesario en los procedimientos analíticos de neuroimagen. Del mismo modo, antes de la normalización por cualquier media regional no tiene ningún efecto.

Las imágenes centradas en la media logarítmica se promedian sobre los sujetos para generar la imagen GMP que se puede considerar una imagen característica invariante de cohortes similares. La columna posterior centrado sobre temas quita medios regionales (GMP) para crear imágenes sujetas SRP residuales. Los vectores de SRP se introducen en el análisis de PCA para generar un conjunto de patrones ortogonales PC y el grupo de valores de referencia para cada PC. En prospectivo solo sujeto evaluación puntuación, análisis de grupo no es necesario; SRP del sujeto es evaluada por la sustracción de la media sujeto y grupo de referencia GMP y la puntuación del sujeto se determina como el producto interno escalar del vector SRP yel vector patrón PC prederived. Esta puntuación por lo general cae dentro de la gama de los valores de referencia a condición de que se obtiene los nuevos datos de una manera similar como en la derivación inicial. En un contexto diferente, el vector de PC todavía puede ser un patrón válido incluso para una cámara modalidad diferente, pero para obtener un resultado interpretable, un procedimiento de calibración se debe realizar para evaluar los nuevos valores de referencia. El procedimiento de calibración no requiere análisis PCA, pero es una simple determinación de las puntuaciones individuales sujetas a una nueva cohorte completa de pacientes y controles utilizando el patrón predeterminado y GMP determinado de nuevo.

Cabe señalar que a pesar de una modalidad específica puede reflejar ciertos parámetros fisiológicos, derivan patrones SSM / PCA no pueden interpretarse como medidas absolutas de tales cantidades. En primer lugar, que se derivan de la covarianza interregional de voxel diferencias de los valores medios. Estas diferencias pueden deberse a diversas redesfunciones y pueden representar efectos de composición. Por lo tanto, el patrón de PCA es una construcción matemática que puede reflejar covarianza dentro de una única red o procesos más complejos. Mediante la realización de análisis de correlación de las puntuaciones de modelo con las medidas clínicas de gravedad de la enfermedad o psicosomáticos medidas normales, y mediante la identificación de las zonas anatómicamente patrón altamente ponderados, podemos interpretar indirectamente la importancia de estos patrones. Por otra parte, los patrones de PC compuestas se construyen como combinaciones lineales de PCs con coeficientes obtenidos mediante regresión logística, con criterios de información de Akaike teóricas o de otro tipo impuestos sobre los valores de las puntuaciones correspondientes. Aunque esto puede resultar en una mejor discriminación, que pueden incorporar componentes menos importantes con coeficientes desproporcionadamente altos. Por lo tanto, las topografías de covarianza diseñados para el diagnóstico diferencial preciso de las condiciones clínicamente similares "look-a-like" ("biomarcadores de diagnóstico") pueden estar compuestos de complejo físico-química internacionalal proceso, no necesariamente corresponden a las redes físicas fácilmente interpretables 13. Por el contrario, otros patrones pueden ser óptimas para la captura de las características topográficas de manifestaciones de enfermedades específicas tales como temblor parkinsoniano o disfunción cognitiva 15,51,52, o para el seguimiento de la progresión de la enfermedad 7,16. El objetivo específico de la función del biomarcador se debe considerar al hacer una selección final.

Es esencial para validar un biomarcador potencial evaluando puntuaciones de los sujetos potenciales en cohortes independientes 10. Preferiblemente, la validación cruzada se debe realizar inicialmente en la muestra de derivación para determinar la fiabilidad de la topografía patrón sobre una base voxel por voxel y para excluir los efectos potenciales de valores atípicos. Para este fin, procedimientos de arranque 8,9 se implementan de forma rutinaria. Este enfoque requiere iterativo derivación patrón en los datos de derivación resampled para identificar la v más robustooxels, es decir, aquellos con la menor desviación estándar del peso voxel. Al ocultar opcionalmente los datos originales para eliminar voxels menos fiables, la discriminación más alta se puede lograr un patrón volvió a deducir que luego debe ser validado en los conjuntos de datos prospectivos.

Como se señaló anteriormente, una vez que un biomarcador SSM / PCA se ha establecido que se puede aplicar a prospectivo individuo o grupo de datos. Las puntuaciones derivadas pueden ser utilizados para supervisar el estado de un paciente por medir la progresión de la red en datos de imágenes longitudinales, o para evaluar los efectos del tratamiento. En casos complejos de diagnóstico indeterminado, conjuntos de puntuaciones de los sujetos se pueden introducir en el análisis de regresión logística (o en otros modelos de la función discriminante) para distinguir entre diferentes alternativas 12,13. Este enfoque puede ser de vital importancia dada la alta tasa de errores de diagnóstico clínico en individuos con enfermedad temprana, y el pronóstico variable y el resultado del tratamiento asociado con los diferentes underlyinpatologías g. Como punto final, SSM modelo de evaluación basada en la calificación del grupo puede ser una herramienta valiosa en los ensayos clínicos de las terapias experimentales para trastornos cerebrales 15,53,54.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

El Dr. Eidelberg aparece como co-inventor de dos patentes de EE.UU. sobre el uso de los marcadores de formación de imágenes para evaluar a los pacientes para la disfunción del sistema nervioso (sin ganancia financiera). No hay revelaciones adicionales.

Acknowledgments

Este trabajo fue financiado por el subsidio N º P50NS071675 (Morris K. Udall Center de Excelencia en Investigación de la Enfermedad de Parkinson en el Instituto Feinstein para la Investigación Médica) para DE, del Instituto Nacional de Trastornos Neurológicos y Accidentes Cerebrovasculares. El contenido es de exclusiva responsabilidad de sus autores y no representa necesariamente las opiniones oficiales del Instituto Nacional de Trastornos Neurológicos y Accidentes Cerebrovasculares o de los Institutos Nacionales de Salud. El patrocinador no jugó un papel en el diseño del estudio, la recogida, análisis e interpretación de datos, redacción del informe o en la decisión de presentar el documento para su publicación.

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

Medicina Número 76 Neurobiología Neurociencias Anatomía Fisiología Biología Molecular Enfermedades ganglios basales trastornos parkinsonianos Enfermedad de Parkinson trastornos del movimiento enfermedades neurodegenerativas PCA SSM PET biomarcadores de imagen las imágenes cerebrales funcionales análisis de covarianza espacial multivariado normalización global diagnóstico diferencial PD el cerebro las imágenes las técnicas clínicas
Identificación de los modelos de covarianza espaciales relacionados con la enfermedad utilizando los datos de neuroimagen
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