Waiting
Login processing...

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

Medicine

Nörogörüntüleme Veri kullanarak Hastalık ile ilgili Mekansal Kovaryans Desenler belirlenmesi

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

Temel bileşenler analizi (PCA) gibi çok değişkenli teknikleri fonksiyonel beyin görüntüleri bölgesel değişim imza biçimlerini belirlemek için kullanılmıştır. Biz nörodejeneratif hastalıkların tanısında, hastalığın ilerlemesi değerlendirilmesi ve hasta popülasyonlarında tedavi etkilerinin objektif değerlendirme için tekrarlanabilir ağ biyolojik belirlemek için bir algoritma geliştirdik.

Abstract

Ölçekli subprofile modeli (SSM) 1-4 daha az bileşenleri (Şekil 1) reddederken hasta ve kontrol grubu beyin görüntü verilerini varyasyon ana kaynağı tanımlayan bir çok değişkenli PCA tabanlı algoritmasıdır. Kararlı durum multimodal görüntülerin voksel-by-voksel kovaryans veri doğrudan uygulanabilir, bir grup görüntü seti tüm birkaç önemli lineer bağımsız kovaryans desen ve ilgili konu puanları azaltılabilir. Her kalıp, bir grup değişmeyen subprofile (CBS), fonksiyonel olarak birbiriyle beyin bölgelerinin bir mekansal dağıtık ağ temsil eden bir dik temel bileşenidir denir. Küçük ağa özgü katkıları belirsiz olabilir büyük küresel ortalama skaler etkileri doğal logaritmik dönüşüm kaldırılır ve veri 2,5,6 merkezleme anlamına vardır. Konularda bağımsız Clin ile ilişkili basit bir skaler skorla temsil edilen bir değişken dereceye kadar bu desen her ifadenik veya psikometrik tanımlayıcıları 7,8. Konu puanları (yani desen ifade değerleri) lojistik regresyon analizi kullanılarak, lineer katsayıları sağlıklı kontrol grubu 5,6 hastaların gelişmiş ayrımcılıkla tek bir hastalık ile ilgili mekansal kovaryans desen, yani kompozit ağlar birden çok temel bileşenler birleştirmek için elde edilebilir. Türetme kümesi içinde çapraz doğrulama önyükleme yeniden örnekleme teknikleri 9 kullanılarak yapılabilir. İleri doğrulama kolayca 10 prospektif veri setleri içinde türetilmiş desen doğrudan puan değerlendirmesi ile teyit edilir. Doğrulandığında, hastalıkla ilgili desen kullanılan sağlıklı bireylerin çoğu seti (hastalıkları ile), özgün model türev 11, sabit bir referans numunesi ile ilgili olarak her bir hasta skor için kullanılabilir. Bu standart değerler da ayırıcı tanı 12,13 yardımcı olmak için ve hastalık değerlendirmek için kullanılabilirağ düzeyinde 7,14-16 de ilerleme ve tedavi etkileri. Biz hastalığın karakteristik kovaryans desen biyolojik elde etmek bizim in-house yazılımı kullanarak Parkinson hastalığı hasta ve normal kontrollerin FDG PET verilerine bu metodolojinin uygulama örneği mevcut.

Introduction

Nörodejeneratif hastalıkların yaygın lokalize ve beyin metabolizma anormallikleri yanı sıra bölgesel etkileşimleri 17 çalışma olmayan dolaylı yöntemler ölçmek teknikleri kullanılarak incelenmiştir. Bu temel bileşenler analizi (PCA) 1,2,4,18 ve bağımsız bileşen analizi (ICA) 19,20, yanı sıra en kısmi kareler (PLS) 21 ve kanonik sıra trendleri denetimli teknikleri gibi veri tabanlı çok değişkenli analitik stratejileri değişkenler analizi (ORT / SVO) 22 karakteristik desen veya birbiriyle ilişkili faaliyet "ağlar" ortaya çıkarabilir. Özellikle çok değişkenli işlemleri, ölçekli subprofile modeli (SSM) temellerini 1,2,4-6,18 önce vallahi 3 tarif edilmiştir. Bu PCA-temelli bir yaklaşım aslında serebral kan akımı ve metabolizma ACQ kararlı durum tek hacimli görüntülerde beyin bölgeleri arasında anormal fonksiyonel kovaryans ilişkileri incelemek için geliştirilmiştiryüksek sinyal-gürültü özellikleri gösteren PET ve SPECT gibi yöntemleri dinlenme durumunda uired. Hastalığa özgü SSM kalıpları normal kişilerde 7,16 göre ve tek bir ağ işlem veya birkaç karmaşık anormal fonksiyonları 23 asimilasyon yansıtabilir hastalarda bölgesel topografya genel farklılıkları yansıtan görüntüleme biyolojik bulunmaktadır. Metabolik kovaryans desen beyin ağları normal ve hastalık grupları arasında ayrım ve hastalık şiddetinin klinik puan alan ilişkili ağ tabanlı önlemleri sağlayabilir ifade değerleri (konu puanları) ile ilişkilidir. Tipik olarak, bu desen için konu puanları hastalığın ilerlemesi ile artış ve hatta semptomların başlamasından 14,24 önce ifade edilebilir. Gerçekten de, hastalık ile ilgili ağ biyolojik örneğin Parkinson hastalığı 10 (PD), Huntington hastalığı 25 (HD) ve Alzheimer hastalığı gibi nörodejeneratif hastalıkların 8 için karakterize edilmiştir 12,13,26 klinik olarak benzer "benzer" sendromu olan bireylerin ayırıcı tanısında uyum içinde kullanılmıştır.

Buna karşılık, tipik fMRI voksel-tabanlı tek değişkenli yöntemler izole beyin kümeler halinde hasta ve kontroller arasında farklılıkların önemini değerlendirmek. Daha yakın zamanda, çeşitli şekillerde tanımlanan yöntem beyin bölgelerinde 27-29 arasında işlevsel bağlantı ölçmek için geliştirilmiştir. Fonksiyonel bağlantı bu tanımı konusu iç bölgede ve mekansal olarak dağıtılmış beyin ağ bölgelerinde 1,2,23,30 bölgesinin kesit birleştiricisi anlamına gelir orijinal SSM / PCA kavramından spesifik etkileşimler ve sapma ile sınırlıdır. Kendi çıkarları, MRI platformları bir içinyeniden kolayca kurulabilir, yaygın olarak kullanılan, invaziv olmayan ve genellikle son literatürde potansiyel metodolojileri bir artış ile sonuçlanan bu tür PET veya SPECT gibi geleneksel radyotracer görüntüleme yöntemleri daha kısa tarama süresi gerektirir. Ancak, ortaya çıkan zamana bağlı fMRI sinyalleri yerel nöral aktivitenin 31,32 dolaylı önlem alınmasını sağlamaktadır. Istihdam genellikle karmaşık analitik algoritmaları veri setlerinin büyüklüğü, fMRI sinyalleri doğasında fizyolojik gürültü, hem de konular ve bölgeler 19,23 arasında var beyin aktivitesinde yüksek değişkenlik tarafından sınırlı kalmıştır. Beyin organizasyonu ile ilgili ilginç bilgiler fMRI "ağlar" özelliklerini anlaşılmaktadır olabilir de, güvenilir hastalığı biyolojik olarak kullanılmak üzere yeterince kararlı olmamıştır. Ayrıca, ortaya çıkan ağ topografyalarının gibi SSM / PCA olarak kurulan fonksiyonel görüntüleme yöntemleri kullanılarak tespit olanlara mutlaka eşdeğer değildir. The çoğunlukla, ortaya çıkan fMRI topografyalarının çapraz doğrulama titiz tek vakalardan prospektif tarama veri elde desen başarılı ileri uygulama birkaç örnek ile eksik olan.

PCA kovaryans analizi bir avantajı ilk birkaç temel bileşenler veri değişimi en önemli kaynaklarını belirlemek için kapasitesini yatıyor ama önemli özvektörler yerine gerçek içsel ağ yanıt daha rastgele gürültü faktörleri temsil eğer etkisizdir. Yalnızca ilk birkaç özvektörler seçme ve hasta karşı normal kontrol puanlarında önemli farklılıklar göstermektedir olanlar için sınırlayarak, biz büyük ölçüde gürültü unsurların etkisini azaltır. Ancak, burada açıklanan temel yaklaşım için, bu önlemler aşağıda açıklanan yöntemleri dışında tipik bir fMRI kümesi içinde sağlam tahmin üretmek için yeterli olmayabilir.

Bu nedenle, bölgesel g kararlı doğrudan ilişki nedeniylelucose metabolizma ve sinaptik aktivite 33, bu yöntem geri kalan devlet FDG PET verilerin analizi öncelikle uygulanmıştır. Ancak, kullanılmıştır, serebral kan akımı (CBF) yakından dinlenme devlet 10,11,34, SPECT 35,36 ve son zamanlarda arteriyel spin etiketleme (ASL) MR perfüzyon görüntüleme yöntemleri 37,38 metabolik aktivitesi ile birleştiğinde olduğu göz önüne alındığında özel durumlarda anormal metabolik aktivite değerlendirmek için. Bu dinlenme devlet fMRI (rsfMRI) ile güvenilir mekansal kovaryans desen türetme daha önce 31,32 kolay değildir kaydetti olduğunu söyledi. Buna rağmen, PD hasta ve kontrol grubu gelen rsfMRI veri ön SSM / PCA analizi hastalıkla ilişkili kalıpları arasında bazı topografik benzerliklerin BOLD fMRI 39,40 iki yöntemleri, PET ve düşük frekanslı dalgalanmaların genliği (ALFF) kullanılarak tespit ortaya koymuştur . Son olarak, biz de bu yaklaşımı voksel tabanlı biçim başarıyla uygulandığını dikkatyaşa bağlı hacim kaybı ve aynı konularda 43 VBM ve ASL desen daha karşılaştırmalarda ilişkili farklı mekansal kovaryans desen ortaya telemetri (VBM) yapısal MRG verileri 41,42,. Farklı analitik yaklaşımlar ve görüntüleme platformları kullanarak SSM / PCA mekansal kovaryans topografyalarının ve tespit benzer beyin ağları arasındaki ilişki soruşturma bir konudur.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Veri Toplama ve Ön işleme

  1. SSM / PCA yöntemi çeşitli kaynaklardan ve yöntemleri elde edilen tek ses görüntülere uygulanabilir. Özellikle, metabolizma yerinde PET görüntüleme için, bu tür [18 F] gibi uygun bir radyonüklid izleyici hazırlamak-florodeoksiglukoz (FDG) ve her hastaya yönetmek. Hastalar genellikle ilaçlar kapalı, en az 12 saat hızlı bir takip, gözleri açık istirahat taranır.
  2. Bireysel ya da grup değerlendirmesi için her konu tarayın. Desen türetme için, cinsiyet ve yaş olarak eşleştirilmiş hasta ve kontrol eşit sayıda tarayın.
  3. Bir iş istasyonuna veri aktarımı ve platformda analiz için uygun bir biçime dönüştürmek. MATLAB analiz yazılımı (scanvp, ssm_pca, esas bizim Windows PC www.feinsteinneuroscience.org ) ANALİZİ gerektirir veya Nifti formatında görüntüleri (Mayo Clinic, Rochester, MN). Bu bir dönüşüm rutin t sağlaro dönüşümü GE Advance (Milwaukee, WI, ABD) tarayıcı ve başka bir biçim görüntü formatı ANALYZE için.
  4. Ortak bir stereotaksik alanı (örneğin Montreal Nöroloji Enstitüsü [MNI]) (örneğin istatistiksel parametrik haritalama (SPM) gibi bir beyin görüntüleme yazılım paketi kullanarak her konu imajını Normale http://www.fil.ion.ucl.ac.uk/spm ) konular (Şekil 2) arasındaki voksel değerler bire bir yazışma olduğunu böylece. Gri madde alanları (Şekil 3) ve günlük dönüşüm için analiz sınırlamak için maskeleme sonraki adımlar açıklanmıştır.

2. Çok değişkenli SSM / PCA yapın

Çok değişkenli SSM / PCA (Şekil 4) Operasyon dış yazılımı tarafından yapılabilir. Adımlar bizim in-house rutinleri (Şekil 5) (tarama tarafından otomatik olarak çoğunlukla yapılan işlemler yansıtmak aşağıda dökümüvp / ssmpca, www.feinsteinneuroscience.org ) bir SPM araç ssm_pca olarak da kullanılabilir.

  1. , Beyaz madde ve ventrikül olarak voksel alanı istenmeyen alanları çıkarmak için kullanılabilir bir 0/1 görüntü kullanılarak maske verileri. Ssmpca rutin kullanarak, kullanıcının varsayılan veya diğer harici maskesi (Şekil 3) seçmek için veya program otomatik olarak her konuda veri maksimum seçilen bir sabit yüzde daha düşük değerlere kaldırarak bir maske oluşturmak için bir seçenek verilir. Bireysel konu maskeleri daha sonra kompozit maske belirlemek için çarpılır. Maske içindeki alanları analiz için ortak bir sıfır olmayan bir voksel bir boşluk tanımlar.
  2. Ardışık uçaklarından sıralı tarama çizgisi (Şekil 4a) ekleyerek sürekli bir satır vektörü her öznenin 3D maskeli görüntü voksel verileri dönüştürmek. Her öznenin veriler, belirli bir r karşılık gelecek şekilde bir grup veri matrisi (M) FormMatrisin ah. Her bir sütun sonra denekler arasında, belirli bir voksel temsil eder. İdeal olarak, biyolojik derivasyon için, matris normal kontrol konusu veri ve hastalık konusu veri satırlarının eşit sayıda oluşacaktır.
  3. Logaritmik forma her veri girişi dönüştürmek.
  4. Merkezi her satır ortalama veya konu çıkarılarak karekod satır elemanları anlamına gelir. Tüm merkezli satır ortalama karakteristik bir grup günlük resmi (GMP, Şekil 4a) bir grup ortalama profil olarak adlandırılan anlamına temsil eder. Mukabil matris elemanları sütun GMP unsurları sütun vasıtasıyla çıkarılır. Çift merkezli matris her satır bir 'kalıntı' görüntü bir konu artık profili (SRP) olan elemanları hem de konu s ve voksel v grup ortalamaları (Şekil 4b) sapmalar temsil olarak adlandırılan temsil eder.
    SRP sv = logD sv - Yani s - GMP v
  5. Uzk Constructher konu çift i arasındaki olmayan normalize kovaryans bilgisayar tarafından bileşik çift merkezli karekod vb-ile-konu kovaryans matrisi C, SRP matris satır j (Şekil 4b) tüm voksellerden v üzerinde özetlenebilir ilgili voksel elemanları bir ürünü olarak değerlendirilebilir .
    C ij = Σ v (SRP iv x SRP ortak girişim)
  6. Konu-by-konu kovaryans matrisi C PCA uygulayın. Sonuçlar ilişkili öz ile konu puanı özvektörler bir dizi olacak. Karşılık gelen özdeğer kare kökü ile çarpılarak her bir vektör ağırlıklarının. Skor özvektör grubu Şekil 4c 'de çıkan matris S sütun ile temsil edilmektedir.
  7. Öz, aynı seti için Voxel özvektörler hesaplama proced talep daha az sütun kovaryans matris sütun PCA uygulayarak ya da bu alternatif ile belirlenebilirure (Şekil 4c) tasvir. Öz sırasına (Şekil 4c, Şekil 6, Şekil 7a) inen voksel desen özvektörler bir dizi P elde etmek devrik SRP matris tarafından daha önce elde edilen puan vektör matris çarpma bıraktı.
    P = SRP T x S
    Her sütun vektör kendi özdeğer göreli büyüklüğüne karşılık gelen (VAF) sorumluydu toplam varyansın bir yüzde atfedilen SSM / PCA analizi bir temel bileşen (PC) görüntü desen temsil eder.

3. Desen Biomarker Derivasyon

  1. Yüksek VAF değerleri ile ilişkilidir PC modelleri belirlemek için önceki analiz sonuçları inceleyin. Bizim rutin içinde, voksel desen vektörler kendi değerlerinin ortalama değerinden pozitif ve negatif standart sapmaları temsil böylece Z-dönüştürülmüş bulunmaktadır. Daha sonra (Şekil 7a) önce görüntülemek için görüntü formatı içine yeniden belirlenmiştir.
  2. Her PC desen karşılık gelen puanları çubuk grafikler ve dağılım grafikleri (Şekil 7) olarak görüntülenir. İsteğe bağlı ROC arsa (Şekil 7d) oluşturulabilir. Bir hastalığa özgü desen belirlemek için, ilgili iki örnek t-testleri ve AUC değerleri p-değerleri ile yansıtılır hasta ve kontroller arasında konu puanlarının farklılaşma dikkat edin. Bazı sabit limit değerleri (örneğin, p <0.05 ve VAF>% 5) için yüksek VAF ve yüksek farklılaşma ile ilişkili PC'ler için analiz sınırlayın. Tipik olarak, sadece bir veya iki PC PET veri için bu kriteri karşılamak.
  3. Değişken vardır44 kabul edilebilir PC seçimi için lı başka yollar. Öz dejenere başlar nerede sıralı öz (Şekil 6) kayşat arsa eğri bir viraj temsil keskin kesim değeri ve eğrisinin eğimi keskin bir düşüş verebilir. Diğer bir yaklaşım varyansın en iyi 50% için hesap tüm PC'ler eklemektir. Bir yaygın olarak kabul prosedürü hasta ve kontroller arasında ayırt edebilirsiniz en düşük AIC değeri ile model tanımlamak bilgisayarların hangi kombinasyonu belirlemek için Akaike Bilgi Kriteri (AIC) 45 hesaplamak için.
  4. Seçilen Bilgisayar (lar), vektör normalize edilmiş ve doğrusal olarak tek bir hastalıkla ilişkili model elde etmek için birleştirilebilir. Bizim yazılım isteğe bağlı olarak konu puanları uygulanan lojistik veya diğer regresyon modelleri dayalı katsayıları belirlemek için MATLAB işlevi glmfit kullanır. Hasta ve kontrol gruplarının farklılaşması genellikle de dikkate ek bilgisayarlar ile geliştirir rağmenrivation grup, ortaya çıkan desenleri tek bir fiziksel ağ için uygun olmayabilir ya da aykırı sapmalar (Şekil 7a ve 7c) dahil olabilir bir kompozit temsilidir.
  5. Ayrıca doğrulama güvenilirlik ve potansiyel önemi için gereklidir. Tekrarlanan türetme en az standart sapma ile ilişkili özgün türetme kümesi içindeki en güvenilir vokseller tespit etmek 8 aşağıda tartışıldığı gibi özyükleme örnekleme gerçekleştirilebilir. İleri doğrulama protokolü bir sonraki bölümü açıklanan tek konu skoru değerlendirme yöntemi (Şekil 4d) kullanan hastaların ve kontrollerin muhtemel grupları için puanları türetmek bağımsız grup ayrımcılık duyarlılık ve özgüllük test etmek için yapılır.

4. Bir önceden belirlenmiş Biomarker kullanarak tek konu Aday Puan Değerlendirme

  1. Önemli bir SSM-CBS biyolojik desen keztespit edilmiştir, ileriye dönük bir konuda bir ifade puan öznenin SRP vektör ve CBS desen vektör (Şekil 4d, Şekil 7d) iç vektör ürünün basit bir hesaplama kullanarak bu kişinin tarama değerlendirilebilir.
    PUAN = stres durumları • Desen
  2. Önceki çalışma bizim TPR rutin tarafından otomatiktir. Ancak, bağımsız olarak konu stres durumları vektör günlük dönüştürülmüş verilere ilişkili içsel CBS maskesi kullanın ve bu konuda ortalama ve adım 2.4 olarak prederived referans grup GMP ilgili voksel değerleri her iki çıkarmak elde etmek. Bu puanları önceden belirlenmiş referans aralığı ile karşılaştırılabilir sigortalanır. Yeni bir grup için puanları benzer ileriye dönük tek bir konu puanları kümesi olarak değerlendirilebilir. Desen değişmez, farklı bir referans grup veya ayar ile kullanmak için, GMP tekrar kalibre edilebilir.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Çok değişkenli SSM / PCA analizi basit bir uygulama PD için bir beyin görüntüleme biyolojik desen elde etmek için aşağıda gösterilmiştir. On PET FDG görüntüleri klinik değişken hastalıklı süresi Parkinson hastalarında (6M/4F, 59y ± 7y SD) (9y ± 5y SD) tanısı ve on yaş ve cinsiyet normal kontrolde (6M/4F, 58y ± 7y SD) kullanılarak analiz edildi bizim ssmpca rutin. Yirmi gelen mekansal öncesi normalize görüntüleri başlangıçta varsayılan maskesi (Şekil 3) ile birlikte kategoriler hastalık konular veya kontrolleri altında seçildi. Program çıkışı ilk 16 temel bileşen görüntü dosyaları ve sıralı öz (Şekil 6) bir kayşat arsa ile birlikte kendi ilişkili puanları bir dosya listesini. Sıralı PC görüntüler ve ilgili bar ve dağılım grafikleri Şekil 7a ve 7b tasvir gibi ilk yorum için ekranda sergilendi. İlk PC bileşeni oluşturuyor unutmayınen büyük VAF (% 24) ve ilgili konu puanları için önemli iki örnek t-testi karşılaştırma ve ROC özelliklerine göre kontrollerden hasta (p = 0.0002) ayrımcılık (AUC = 0.99, duyarlılık özgüllük = 0.95 için = 0.93). Bu nedenlerle, kendi kendine bir biyolojik olarak kabul edilebilir ve yüksek uzamsal, daha önce elde edilen PD biyolojik çok sayıda potansiyel veri setleri 5 valide PDRP 46,47 (R 2 =% 84, p <0.001) ile ilişkili olduğu bilinmektedir. İkinci desen (p = 0.81, AUC = 0.54) ve üçüncü desen (p = 0.38, AUC = 0.63) anlamlı ayrımcılık yoktu ve çok hastalıktan etkilenmez normal süreçleri kaynaklanabilir. Dördüncü desen (VAF =% 7) ilk PC (p = 0.13, AUC = 0.71) daha çok az derecede ayrımcılık ve daha az belirgin hastalık faktörlerle ilişkili olabilir. Ayrıca PC'ler için <(0.4 Normal ve hasta skorları p) olmayan önemli ayrımcılık ile birlikte (% 7 VAF değerleri)> azalan göz ardı edildi.Özdeğer farklılıklar dejenerasyonu, Şekil 6'da gösterilmiştir.

Birinci ve dördüncü desen vektör normalize ve doğrusal bir lojistik ayrımcılık modeli kullanarak optimum hasta / kontrol puan ayrımcılık için ilgili katsayıları (.78, .63) belirlemek için yazılım kullanarak kombine edildi. P-değeri ile gösterildiği gibi geliştirilmiş ayrımında bileşik CBS sonuçlar (p = 10 -5, Şekil 7B) ve türev grubu için 1.0 mükemmel bir AUC değeri. Bu model ile ilişkili bileşik VAF (% 17,3), doğrusal katsayıları kareler ile değiştirilmiş tek tek vafs toplamından (% 24,% 7) olarak değerlendirilir. Ancak, bu model daha az önemli PY4 bir orantısız yüksek katsayısı (VAF değerleri ile karşılaştırıldığında) atfederek yüksek ayrımcılık elde unutmayın. Türetme grup içinde daha da yüksek ayrımcılık aynı rezervasyon ile ek bileşenler kullanılarak elde edilebilir. Our durumda PC3 (p = 3x10 -6) (Şekil 7c) ve çünkü PC2 ilgili olmayan diskriminant kapasitesi dört PC'ler (p = 10 -5) ekleyerek herhangi bir gelişme ekleyerek sadece hafif bir iyileşme vardı. Birleştirilen desen her mükemmel özelliklere sahip ROC (AUC = 1 ve hassasiyeti düşük bir Z-skor eşiği = 1, özgüllük = 1). Bununla birlikte, bu değerler türev grubu özgüdür. Nihai biyolojik geçerliliği 22 hasta (15M/7F, 57y ± 9y SD; hastalık süresi 10 yıl vadeli ± 4y SD) bağımsız grup için buraya yapılan sıra potansiyel değerlendirilmesinde doğrulanması gerekir ve 22 kontrol (4M/18F, 55Y ± 15y sd) (Şekil 7d). Daha yüksek farklılaşma birden fazla PC birleştirerek türetme grubunda gerçekleşmiş olmasına rağmen dört kombinasyonları iyi bir performans olsa da, aynı göreli avantajı test grubunda devam değildi. Ilk PC muhtemel grup dat daha yüksek ortalama farklılaşma göstermiştirBir kombine desenleri PC1_3_4 (p = 2x10 -7, AUC = 0.95) (p = 5x10 -8, AUC = 0.95) ve PC1_2_3_4 (p = 6x10 -7, AUC = 0.92) kendi doğal geçerlilik atfedilen. Küçük bir avantajı katkı PC1_4 (p = 3.2x10 -8, AUC = 0.96) elde edilmiştir. Muhtemel AUC değeri PC1_4 için biraz daha yüksek olmasına rağmen, 0.95 bir özgüllük için duyarlılık PC1_2_3_4 için PC1 0.5 için yaklaşık 0.8 bir değerden katkı PC'ler ile azaltmak için görünür. Açıkçası daha kapsamlı örnekleme daha doğru ROC arsa artan düzensizlik bakarsak bu değerleri tahmin etmek gerekli olacaktır. Buna ek olarak, yüksek doğruluk önceki yayınlarda gösterildiği gibi daha büyük bir türetme grup kullanılarak elde olabilirdi. Ancak, türetme grubunda elde aynı ayırma hassasiyeti her zaman türetme desen muhtemel doğrulama gerektiren, bağımsız grup değerlendirme için genelleme olmadığını bu görüntüler den açıktır.

Bu nedenle, 20 konu görüntülerin bizim orijinal veri kümesi 44 prospektif kişilerde hastalığın bir tanısal belirteç olarak iyi bir performans bir temel PC görüntü desen PC1 düşürülmüştür.

Şekil 1
Şekil 1. SSM / PCA Modelleme Strateji şematik. Normal ve hasta tarayıcı verileri bir beyin biyolojik ve ilgili konu puanları elde etmek için SSM / PCA algoritmaları tarafından işlenir. Hasta ve normal konu puanları arasındaki ortalama fark önemlidir. büyük rakam görmek için buraya tıklayın .

Şekil 2, Şekil 2. Ön işleme ve Veri. Ham tarayıcı görüntüleri maskeleme mekansal tüm konular için ortak bir stereotaksik alana vokselleri eşleştirmek için normalize ve bir Guasian çekirdek kullanılarak düzeltilmiştir. Maskeleme işlemi ventriküler alan ve gürültü kaldırır.

Şekil 3,
Şekil 3. Bu varsayılan 0/1 gri madde maske 72 normal birey işlenmesi oluşturuldu. Bireysel mekansal normalize verileri bir araya çarpıldı bireysel maskeleri oluşturmak için maksimum değerin% 38 eşiklenir edildi. Çarpma maske kökeni ile soldan sağa çevirdi ve son simetriklestirilir maske oluşturmak için orijinal ile çarpıldı.

"Şekil Şekil 4. SSM / PCA İşleme akışı yolu. Karekod a) Konu vektör formülasyonu. Dönüşüm yapın. Merkezleme kürek. GMP vektörü. B) Sütun merkezleme değerlendirilmesi. SRP türetilmesi. Kovaryans matrisi C c inşaatı) Temel Bileşenler Analizi. PC puan vektörler ve voksel desen türetilmesi. D) Aday tek konu puanı hesaplama. büyük rakam görmek için buraya tıklayın .

Şekil 5,
Şekil 5,. Yazılım. Gerçekleştirmek için SSM / PCA kullanıcı ScAnVP menüden voksel tabanlı SSM / PCA seçeneğini seçebilirsiniz, hasta görüntü dosyaları ve normal kontroller, tercih edilen bir maske ve ardından işlemi seçin. Günlük dönüşüm varsayılan olarak gerçekleştirilir. Çıkışı ve ekranı görüntülenir araziler ve görüntüleri inceledikten sonra, kullanıcı doğrusal yüksek hasta normal / puan ayrımcılık ile bir biyolojik oluşturmak için lojistik regresyon ya da diğer modeller kullanılarak seçilen PC'ler birleştirmek için tercih edebilirsiniz. büyük rakam görmek için buraya tıklayın .

Şekil 6,
6 Şekil. Scree Arsa. Konusu kovaryans matrisi tarafından olmayan normalleştirilmiş konunun sıralı öz Bu Scree arsa 10 PD hasta ve 10 normal kontrol SSM / PCA analizi sonucu. Dikkatilk PC sonra öz keskin düşüş. Öz arasındaki farklar 4. PC sonra küçük.

Şekil 7
Şekil 7 SSM / PCA program çıktısı a) Üst:.. Ilk dört ana bileşen görüntüleri (PC1 4) eksenel ekran (Z = 0). Alt: PC1 ve kombine bilgisayarlar 1 ve 4 (PC1_4) yapısal MRG görüntü üzerinde görüntülenir kökeni ile Ortogonal manzarası (X, Y, Z = 0,0,0). PC voksel değerleri ortalama voksel yükleme göre pozitif ve negatif Z-skoru sapmalar temsil eder. Soğuk renkler göreceli metabolik azalır işaret ise sıcak renkler genel SRP için PC katkısı içinde metabolik aktivitede göreli artış göstermektedir. PC kontrollerden ayrımcılık hastaların bu sapmalar özellik olabilir içind hastalığa. b) türetme konunun çubuk grafikler ve saçılım PC1 ve PY4 Z-puanları. Dördüncü bir eğilim (p = 0.13) gösterirken sadece ilk temel bileşeni önemli kontrollerden hasta (p = 0.0002) ayrımcılık. PC1 ve PC4 (katsayıları .78, .63) doğrusal lojistik kombinasyonu ayrımcılık (p = 0.00001) geliştirir. ROC AUC değeri ve 0.95 bir özgüllük için duyarlılık da her desen için görüntülenir. Kombine desen PC1_4 kombine PC1_3_4 ve PC1_2_3_4 ve türev konu Z-skorları için ilgili konu çubuk grafikler. C) Ortogonal manzarası 0.9 bir Z-skoru eşiği (AUC = 1) de mükemmel ayırma göstermektedir. Ayırım bu farklı kombinasyonlar arasında her ikisi için de PC1 ile karşılaştırıldığında (sırasıyla, p = 3x10 -6 ve 10 -5) arttı. EAA özellikleri Her iki durumda da mükemmel bir ayrılma (AUC = 1, duyarlılık = 1, özgüllük = 1) göstermektedir. Efsane 7a konuda nota bakınızrenk skalası desen PC1, PC1_4, 22 normal kontroller ve 22 PD hasta üzerinde PC1_3_4 ve PC1_2_3_4 değildir. d) Aday puan değerlendirme ing. Bar ve dağılım-arsa grafikler yanı sıra konu Z-skorları için ROC arsa görüntülenir ve EAA değerleri yanı sıra 0.95 bir özgünlük de hassasiyet gösterilir .. AUC değerleri ve duyarlılık p-değerleri daha az güçlü olma eğilimindedir ise ikiden fazla kombine temel bileşenler için azaltmak için görünür. Önemsiz bir gelişme türetme örnek tahmin anlamlı fark geçersiz AUC ve p değerleri PC1_4 için belirtilmişti. büyük rakam görmek için buraya tıklayın .

Subscription Required. Please recommend JoVE to your librarian.

Discussion

SSM / PCA model başlangıçta Moeller ve arkadaşları tarafından sunulan. 4 beyin görüntüleme verilerinin analizi için basit ve sağlam teknik içine 1-3 gelişti. Ancak, burada ve daha önceki yayınlarda 5-7,10 içinde netleştirmek için çalıştığınız bu metodolojinin uygulama belirsizlikler olmuştur. Bu konulardan bazıları metinde ele alınmıştır ama nedeniyle önemi burada yeniden vurguladı vardır. Giriş ayrıntılı olarak, SSM / PCA devlet FDG PET veri dinlenme öncelikle etkilidir, aynı zamanda diğer tek ses görüntüleme teknikleri kullanılarak ve H 2 15O PET ve 99mTc-ECD SPECT içeren platform, hem de perfüzyon ASL tarama ve başarılı olmuştur hacimsel VBM MR. Zaman serisi rsfMRI için başarılı uygulama 48 oldukça gelişmiş tekniklerin gelecekteki gelişimi gerektirir.

SSM temel gücü tanımlamak için yeteneği yatıyorveri varyasyon kaynakları ve mekansal olarak dikey bileşenleri olarak ayırmak. Çalışmaların çoğu, sadece birkaç önemli bileşenleri böylece dramatik ilgili veri seti azaltarak, hastalığın etkilerine bağlanabilir. Hastalığa özgü bileşenleri tanımlamak için, ideal bir kombine grup analizi 2,5 cinsiyet ve yaş uyumlu sağlıklı kontrol grubu ile hastalık konularda eşit sayıda yer alıyor. Bu durumda, hastalık nedeniyle normal değerlerden sapmalar mutlak olarak, genellikle küçük olduğundan, ve kontrol 2,5,6 hastaları ayrım olmayan daha büyük bir global faktörler tarafından örtülmüştür. Veri dağıtım 49 yakın Guassian olduğunda PCA etkili bir analitik bir araçtır. SSM işlemi temelde bir günlük normal dağılım 50 içine veri dönüştürür ve katkı açısından içine çarpan faktörler ayıran günlük dönüşümü gerçekleştirir. Sonraki konu merkezleme (satır çıkarma ortalama) herhangi bir s kaldırır gerekli bir adım olduğu anlamınagünlük verilerinden ubject küresel ölçekleme faktörleri. Bu genellikle analitik beyin görüntüleme işlemlerinde gerekli bir ön işleme adım olsa da bu ön konu küresel ortalama normalleşme SSM hiçbir etkisi yoktur anlamına gelir. Benzer şekilde, herhangi bir bölgesel ortalama ile ön normalleşme etkisi yoktur.

Ortalama merkezli günlük görüntülerin benzer kohort bir değişmeyen özelliği görüntü kabul edilebilir GMP görüntü oluşturmak için konuları ortalamasıdır. Konuları üzerinde merkezleme sonraki sütun konu artık SRP görüntüler oluşturmak için bölgesel araçlar (GMP) kaldırır. SRP vektörleri dik PC desen ve her bilgisayar için referans grup puanları bir dizi oluşturmak için PCA analizi girilir. Ileriye dönük tek bir konu puanı değerlendirmede, grup analizi gerekli değildir; kişinin SRP konusu ortalamanın çıkarma ve referans grup GMP tarafından değerlendirilir ve kişinin skor SRP vektörün skaler iç ürün olarak belirlenir veprederived PC desen vektör. Bu skor genellikle yeni veriler orijinal türetme olduğu gibi benzer bir şekilde elde edilmektedir koşuluyla, referans puan aralığında düşer. Farklı bir ortamda, PC vektör bile hala farklı bir yöntem kamera için geçerli bir desen olabilir ama bir yorumlanabilir skor elde etmek için, bir kalibrasyon işlemi yeni bir referans puanları değerlendirmek için yapılmalıdır. Kalibrasyon işlemi PCA analizi gerektirir ama önceden belirlenmiş desen ve yeni belirlenen GMP kullanarak hasta ve kontrol tamamen yeni bir kohort için tek konu puanları basit bir belirlenmesidir değildir.

Bu, belirli bir yöntem olsa da SSM / PCA desenler bu miktarlarda kesin ölçütü olarak yorumlanamaz edilen belirli fizyolojik parametreler, yansıtabilir unutulmamalıdır. İlk olarak, ortalama değerleri voksel farkların arası kovaryans türetilmiştir. Bu farklılıklar, çeşitli ağ kaynaklanabilirfonksiyonları ve kompozit etkileri temsil edebilir. Bu nedenle, PCA desen tek bir ağ veya daha karmaşık süreçleri içinde kovaryans yansıtabilir matematiksel bir yapıdır. Hastalık şiddeti veya normal psikosomatik önlemlerin klinik önlemlerle desen puanlarının korelasyon analizi yaparak, ve anatomik olarak son derece ağırlıklı desen alanları belirleyerek, biz dolaylı olarak bu modellerin önemini yorumlayabilir. Ayrıca, kompozit PC modelleri gelen puan değerleri empoze Akaike veya diğer bilgileri teorik kriterlere göre, lojistik regresyon kullanılarak elde katsayılı PC'lerin lineer kombinasyonları olarak inşa edilir. Bu daha iyi ayrımcılığa neden olabilir rağmen, orantısız yüksek katsayılı daha az önemli bileşenleri içerebilir. Bu nedenle, klinik olarak benzer "göz benzerim" koşulları ("teşhis biyolojik") doğru ayırıcı tanısı için tasarlanmış kovaryans topografyalarının karmaşık fizyolojik Chemic bir kompozit olabilirkolayca yorumlanabilir fiziksel ağları 13 için mutlaka uygun değil al süreçleri,. Buna karşılık, diğer modelleri gibi Parkinson titreme veya bilişsel işlev bozukluğu 15,51,52 gibi özel hastalık belirtileri topografik işaretlerinden yakalamak için, ya da hastalığın ilerlemesi 7,16 izlenmesi için uygun olabilir. Biyolojik işlevi özel amacı nihai bir seçim yapmak düşünülmelidir.

Bu bağımsız gruplarda 10 prospektif konu puanları değerlendirerek potansiyel bir biyolojik doğrulamak için gereklidir. Tercihen, çapraz doğrulama başlangıçta voksel-by-voksel olarak desen topografya güvenilirliğini belirlemek ve potansiyel aykırı etkileri dışlamak için türetme örnek yapılmalıdır. Bu amaçla, önyükleme 8,9 rutin prosedürler uygulanmaktadır. Bu yaklaşım en güçlü v belirlemek için resampled türetme veri deseni türetme tekrarlı gerektiriroxels, voksel ağırlığı en düşük standart sapma olanlar yani. Isteğe bağlı olarak daha az güvenilir vokselleri kaldırmak için orijinal veri maskeleme olarak, yüksek ayrımcılık sonra prospektif veri setleri valide gereken bir rederived desen için elde edilebilir.

Daha önce de belirtildiği gibi, bir SSM / PCA biyolojik kurulduktan sonra, bu potansiyel bireysel veya grup veri uygulanabilir. Türetilmiş puan uzunlamasına görüntü veri ağı ilerleme ölçmek suretiyle, bir hastanın durumunu izlemek için, ya da tedavi etkisini değerlendirmek için kullanılabilir. Belirsiz tanı karmaşık durumlarda, konu puanları setleri farklı alternatifler 12,13 ayırt etmek için (ya da diğer ayırma fonksiyonu modellerde) lojistik regresyon analizinde girilebilir. Bu yaklaşım, erken hastalığı olan bireylerde klinik yanlış tanı yüksek oranda ve değişen prognoz ve farklı underlyin ile ilgili tedavi sonucu verilen son derece önemli olabilirg patolojiler. Son bir nokta olarak, SSM desen tabanlı grubu puan değerlendirme beyin hastalıkları 15,53,54 için deneysel tedavilerin klinik çalışmalarda değerli bir araç olabilir.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Dr Eidelberg sinir sistemi fonksiyon bozukluğu için hasta (finansal kazanç olmadan) ekrana görüntüleme belirteçlerin kullanımı ile ilgili iki ABD patent eş mucidi olarak listelenir. Başka açıklama bulunmamaktadır.

Acknowledgments

Bu çalışma, Ulusal Nörolojik Bozukluklar Enstitüsü ve İnme gelen DE için Hibe No P50NS071675 (Tıbbi Araştırma Feinstein Enstitüsü Parkinson Hastalığı Araştırma Mükemmellik Morris K. Udall Merkezi) tarafından desteklenmiştir. Içeriği sadece yazarların sorumluluğundadır ve mutlaka Ulusal Nörolojik Bozukluklar Enstitüsü ve İnme veya Ulusal Sağlık Enstitüleri resmi görüşlerini temsil etmemektedir. Destekleyici, çalışma tasarımı, toplanması, analizi ve verilerin yorumlanması rol oynayan raporun yazma veya yayın için kağıt göndermek için karar vermedi.

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

Tıp Sayı 76 Nörobiyoloji Nörobilim Anatomi Fizyoloji Moleküler Biyoloji Bazal Ganglion Hastalıkları Parkinson Hastalıkları Parkinson Hastalığı Hareket Bozuklukları Nörodejeneratif Hastalıklar PCA SSM PET görüntüleme biyolojik fonksiyonel beyin görüntüleme çok değişkenli mekansal kovaryans analizi küresel normalleşme ayırıcı tanı PD beyin görüntüleme klinik teknikleri
Nörogörüntüleme Veri kullanarak Hastalık ile ilgili Mekansal Kovaryans Desenler belirlenmesi
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