Summary
Vi detalj hur man genomför en meta-analys av Voxel-baserade neuroimaging studier med hjälp av utsäde-baserade d kartläggning med permutation av motiv bilder (SDM-PSI).
Abstract
De flesta metoder för att genomföra meta-analys av Voxel-baserade neuroimaging studier inte bedöma om effekterna är inte null, men om det finns en konvergens av toppar av statistisk signifikans, och minska bedömningen av bevisen till en binär klassificering enbart baserat på p-värden (dvs. voxels kan endast vara "statistiskt signifikant" eller "icke-statistiskt signifikant"). Här, vi detalj hur man genomför en meta-analys med hjälp av utsäde-baserade d kartläggning med permutation av motiv bilder (SDM-PSI), en ny metod som använder en standard permutation test för att bedöma om effekter är inte null. Vi visar också hur man gradera styrkan av bevisen enligt en uppsättning kriterier som anser en rad statistiska signifikansnivå (från mer liberal till mer konservativ), mängden data eller upptäckten av potentiella fördomar (t. ex. liten studie effekt och överskott av betydelse). För att exemplifiera förfarandet, vi detalj ledning av en meta-analys av Voxel-baserade morfometri studier i tvångssyndrom, och vi ger alla data som redan utvinns ur manuskripten att låta läsaren att replikera meta-analys Lätt. SDM-PSI kan också användas för meta-analyser av funktionell magnetisk resonanstomografi, diffusion tensor imaging, position emissions datortomografi och ytbaserade morfometri studier.
Introduction
Sedan introduktionen av magnetisk resonanstomografi, neuroimaging samfundet har publicerat tusentals studier av neurala substrat för psykologiska funktioner och neuropsykiatriska störningar. För att sammanfatta dessa fynd har flera metoder utvecklats1,2,3,4,5,6. Ursprungliga Voxel-baserade neuroimaging studier rapporterar koordinaterna för topparna av statistisk signifikans (t. ex. i en jämförelse av grå substans volym mellan patienter och kontroller), och meta-analytiska metoder vanligtvis bedöma om det finns konvergens av toppar i vissa regioner i hjärnan.
Vi har dock tidigare visat att dessa tester för konvergens av toppar är beroende av känsliga antaganden som kan påverka mönstren för metaanalys resultat och deras statistiska signifikans7. Specifikt, dessa tester förutsätter att voxels är oberoende och att de har samma sannolikhet för en "falsk" topp, medan i verkliga grå materia, voxels korrelerar med sina grannar och sannolikheten att en Voxel har en "falsk" topp beror på dess vävnadssammansättning. Dessutom omfattar de också paradoxer som att den statistiska effekten ökar i närvaro av få sanna effekter, och minskar när det finns flera sanna effekter.
För att övervinna dessa problem, vi utvecklat en metod som tillräknar hjärnan kartor över statistiska effekter för varje studie och sedan genomför en standard slumpmässiga effekter meta-analys för att formellt testa om effekterna skiljer sig från noll. Denna metod kallas "Seed-baserade d kartläggning med permutation av motiv bilder" (SDM-PSI)8 och dess viktigaste funktioner är:
- Redovisning av både ökningar och minskningar av utfallet av räntor (t. ex. aktivering och avaktivering) så att motstridiga resultat avbryter varandra4;
- Användning av effekt storleks uppskattningar med slumpmässiga effekter modellering, vilket ökar tillförlitligheten och prestanda9;
- Potentiell samtidig inkludering av tillgängliga 3D-statistiska bilder (dvs kartor över t-testvärden)10;
- Ämnesbaserade permutations test som är identiska med FSL: s "randomize"-verktyg11.
- Användande av tröskelfri kluster förstärkning (TFCE) statistik12.
Vi har detaljerade och fullt validerade SDM metoder någon annanstans4,8,10,13,14.
Dessutom föreslår vi att inte förlita sig på en binär klassificering av voxels baserat på nivån av statistisk signifikans (betydande kontra inte signifikant) men, omvänt, bedöma styrkan av bevisen med hjälp av en uppsättning kriterier22. Den binära statistisk signifikans reduktionism leder till dålig kontroll av de falska positiva och falska negativa talen15, medan kriterierna använder olika statistiska signifikansnivåer och tar hänsyn till mängden data eller potentiella fördomar. Den SDM-PSI programvaran returnerar de nödvändiga elementen för att genomföra en sådan klassificering8 och därmed de kan användas för att ge en mer detaljerad klassificering av styrkan i bevisen.
Här visar vi hur man genomför en meta-analys av Voxel-baserade neuroimaging studier med SDM-PSI. För att exemplifiera protokollet, använder vi data från en publicerad meta-analys av Voxel-baserade morfometri studier som undersökt grå substans avvikelser hos patienter med tvångssyndrom (OCD)4. Men vi kommer inte att använda de metoder som används i denna tidiga meta-analys, men de ovan nämnda State-of-the-art förfaranden. Läsaren kan ladda ner programvaran och dessa data från vår hemsida (http://www.sdmproject.com/) för att replikera analysen.
Alla forskare som strävar efter att genomföra en meta-analys av Voxel-baserade neuroimaging studier kan följa detta protokoll. Metoden kan användas med funktionell magnetisk resonanstomografi (fMRI, t. ex. djärvt svar på en stimulans)16, Voxel-baserade morphometri (VBM, e.g., grå materievolym)17, diffusion tensor avbildning (DTI, e.g., Fractional Anisotropy)18, placera emissions tomografi (PET, e.g., receptor beläggning)19 och ytbaserad morphometri (SBM, t. ex. kortikal tjocklek) studier/DataSet.
Protocol
1. installation av SDM-PSI
- Gå till https://www.sdmproject.com/Software/ att ladda ner den version av SDM-PSI för operativsystemet på datorn som en zip-fil.
- Dekomprimera ZIP-filen. Undvik problem genom att expandera den i en lokal mapp utan blanksteg i sökvägen.
- Klicka på filen Sdmpsigui att köra det grafiska gränssnittet för SDM-PSI, och Stäng om Splash fönster som automatiskt kommer att öppna.
- Om Sdmpsigui inte hittar alla nödvändiga sökvägar, kommer det automatiskt att erbjuda för att Visa inställningsfönstret. Tryck på Ja.
- Om mricron inte är installerat i computern gå till https://www.nitrc.org/FRS/?group_id=152 till data överför versionen för arbetsdrift systemet om computern som zip arkivera, och dekomprimera den zip arkivera.
- I hjärnan Viewer fliken i inställningsfönstret, se till att Brain Viewer är inställd på mricron, och klicka på mappikonen bredvid Brain Viewer körbara för att hitta mricron körbara.
- Se till att alla återstående sökvägar i de olika flikarna har blå markeringar, vilket indikerar att banorna är korrekta.
- I tillfället så pass SdmPsiGui har inte automatisk förvisat preferenserna fönster, gå till redskapen menyn och klick preferenserna.
- På fliken multithreading anger du antalet samtidiga trådar som ska användas i beräkningarna. Vissa SDM-PSI beräkningar tar mycket lång tid (från timmar till dagar) och förbrukar en stor mängd RAM-minne (från hundratals megabyte till gigabyte). Användningen av flera trådar (parallell bearbetning) avsevärt minskar tiden men ökar det minne som används.
- Stäng inställningsfönstret och SdmPsiGui.
2. plan för meta-analys
- Ange en exakt fråga. Till exempel, "har patienter med OCD har grå substans volym regionala avvikelser?"
- Skriva tydliga inklusionskriterier som möjliggör systematisk inkludering av studierna. Till exempel, "alla studier som utförs hela hjärnan Voxel-baserad jämförelse av grå substans volym mellan individer med OCD och friska kontroller".
- Skriva tydliga uteslutningskriterier som gör det möjligt att systematiskt utesluta de studier som inte kan eller bör inkluderas av särskilda skäl. Till exempel "studier med färre än 10 patienter, duplicerade DataSet, eller studier från vilka den begärda informationen inte kan hämtas".
- Skriv ner data för att extrahera från varje studie. Följande lista innehåller de rekommenderade uppgifterna (vissa av dem är inte strikt nödvändiga, men deras frånvaro skulle utarma meta-analysen):
- En identifiering av studien.
- Urvalsstorlekarna.
- Den statistiska signifikansnivå, som är t-värdet, z-värdet eller p-värdet som används i studien för att avgöra vilka voxels var statistiskt signifikanta.
- Programvaran och stereotaktisk utrymme. Se tabell 1 för listan över mjukvarupaket och stereotaktisk utrymmen förstås av SDM-psi.
- Koordinaterna och höjden på topparna. Höjden på en topp är dess t-värde eller z-värde, men ett p-värde är också användbart.
- Variabler som ska användas för att beskriva proverna eller genomföra undergruppsanalyser eller meta-regressioner.
- För att öka kvaliteten på översynen, överväga att följa "tio enkla regler för neuroimaging meta-analys"20 och prisma checklista21.
- För att öka insynen i översynen, Överväg att registrera protokollet i förväg på en offentligt tillgänglig databas som PROSPERO (https://www.CRD.York.AC.uk/PROSPERO/).
3. uttömmande sökning
- Välj en uppsättning nyckelord som gör det möjligt att hitta en studie som kan uppfylla inkluderingskriterierna. Sökorden kan till exempel vara "tvångssyndrom" plus "morphometri", "Voxel-based" eller "voxelwise".
- Utför sökningen på databaser som PubMed och Web of Science:
- Gå till databas webbplatsen, t. ex. https://www.ncbi.NLM.NIH.gov/pubmed/ för PubMed.
- Skriv sökfrågan. I exemplet meta-analys, frågan kan vara "tvångssyndrom" och ("Morphometry" eller "Voxel-baserade" eller "voxelwise"). I den här frågan innebär operatorn "och" att studierna måste ha alla nyckelord, operatorn "eller" innebär att studierna måste ha minst ett av nyckelorden, och parenteserna anger ordningen för dessa logiska operationer. Därför måste de hämtade studierna ha nyckelordet "tvångssyndrom" och minst ett av nyckelorden "morphometri", "Voxel-based" eller "voxelwise". Observera att andra strategier är möjliga.
- Tillämpa kriterierna för inkludering/uteslutning. Till exempel, från de resultat som tillhandahålls av databaserna, Välj endast de artiklar som analyserar skillnader i grå substans volym mellan patienter med tvångssyndrom och kontroller som utför hela hjärnan Voxel-baserade morfometri studier, och kassera studier inklusive mindre än 10 patienter och studier som omanalyserade tidigare publicerade data.
- För att öka fullständigheten i sökandet, överväga att genomföra en manuell sökning över de refererade verken i de valda studierna.
- För att maximera införandet av studier och undvika osäkerhet i insamlingen av data, överväga att kontakta motsvarande författare att be om några saknade eller oklara data.
- Registrera antalet studier som hämtats och antalet studier som exkluderats för varje orsak. Överväg att skapa ett PRISMA Flow diagram21 med dessa siffror.
4. insamling av uppgifter
- För varje inkluderad studie, Läs manuskriptet för att hitta specifika data att extrahera.
- Spara data från studierna systematiskt, t ex skriva data i förformaterade kalkylbladsfiler. Om du vill minimera skrivfel bör du kopiera och klistra in antalet intressanta och dubbelkolla sparade data.
- När den statistiska signifikansnivå är oklar, Överväg att följa dessa rekommendationer:
- Om manuskriptet rapporterar toppar erhållits med hjälp av två hela hjärnan statistiska signifikansnivå, e.g. p-värde < 0,001 utan korrigering för flera jämförelser (från och med nu, "okorrigerad tröskel") och familywise felfrekvens (FWER) < 0,05 (från och med nu " korrigerat tröskelvärde "), Välj det okorrigerade tröskelvärdet och inkludera alla toppar som erhållits med detta okorrigerade tröskelvärde. Anledningen till att föredra den okorrigerade tröskeln är att studier vanligtvis få fler toppar som tillämpar en okorrigerad tröskel, och SDM uppskattar kartorna mer exakt om den har information från fler toppar.
- Om manuskriptet rapporterar toppar som erhållits med hjälp av en okorrigerad tröskel för ökningar och en korrigerad tröskel för minskningar (eller tvärtom), Välj det okorrigerade tröskelvärdet men endast de toppar som erhållits med hjälp av den korrigerade tröskeln. Detta är en konservativ tillnärmning eftersom det kan kasta några toppar som erhållits med hjälp av den okorrigerade tröskeln. Ett exempel på denna situation kan vara när ett manuskript anger något som "Vi upptäckte FWER korrigerade större grå substans volymer i vissa regioner, medan vi inte upptäcka mindre grå substans volym i någon region även med okorrigerat p-värde < 0,001".
- Om författarna har tillämpat klusterbaserad statistik använder du tröskelvärdet för klusterbildande höjd. Detta är en konservativ tillnärmning eftersom vissa voxels kan ha haft t-värden högre än tröskelvärdet, men författarna kasseras dem eftersom deras kluster inte var tillräckligt stora.
- Om manuskriptet inte anger ett tröskelvärde, Använd ett något mindre värde än t-värdet för den minsta toppen. Skälet till att använda detta t-värde är att om författarna hade tillämpat denna tröskel för statistisk signifikans utan att kräva en minsta storlek för klustren, skulle de ha funnit samma toppar.
- När du spelar in topp informationen gör du följande:
- Utesluta toppar som erhållits med en statistisk signifikans tröskel som är mer liberal än den tröskel som valts för resten av hjärnan. Ett exempel på denna situation är när författarna tillämpade mer liberala trösklar eller små volym korrigeringar till några a priori hjärnregioner.
- Konvertera z-värden och p-värden till t-värden. Klicka på knappen konvertera toppar i SDM-PSI programvara för att konvertera dem enkelt. Alternativt kan du konvertera dem i samma kalkylbladsfil (t. ex., "= T. INV (1-0,001, 34)" för p-värde = 0,001 och 34 frihetsgrader; frihetsgraderna är summan av urvalsstorlekarna minus antalet parametrar, som i en två-sampel jämförelse är två plus antalet kovariater som används i den ursprungliga jämförelsen).
- Använd positiva t-värden för ökningar (t. ex. aktivering) och negativa t-värden för minskning av toppar (t. ex. avaktivering). Se tabell 2 för vägledning om hur man bestämmer tecknet för t-värden.
Obs: vi fick information från studierna "Heuvel" och "Soriano-Mas" efter personlig kommunikation.
5. införande av data i SDM-PSI
- Öppen Sdmpsigui och nära den omkring plaska fönster (undvika har någon nyckel pressande fördriva tiden stängningsen den).
- Klicka på knappen ändra meta-analys i den övre vänstra delen av det grafiska gränssnittet för att välja en katalog för meta-analysen (alla nya tomma katalog val kommer att göra).
- Klicka på knappen SDM tabell redigerare för att mata in allmän information från studierna, inklusive deras identifiering (kolumn "studie"), deras urvalsstorlekar (kolumnerna "N1" och "N2"), det t-värde som de använde som statistiska tröskelvärden (kolumn "t_thr"), och andra potentiella variabler för att genomföra subgruppsanalyser eller meta-regressioner.
- I den valda katalogen skapar du en textfil för varje studie med koordinaterna och t-värdet för varje topp:
- Öppna en textredigerare för att skapa en textfil som heter [identifieringen av studie] + "." + [programvaran] + "_" + [den stereotaktiska rymden] + ". txt". Till exempel, för studien "Carmona" som genomfördes med SPM och rapporterar koordinaterna i MNI rymden, måste namnet på textfilen vara "Carmona. spm_mni. txt". Om studien inte har några toppar, programvaran och stereotaktisk utrymme kan ersättas med "no_peaks".
- Skriv koordinaterna och t-värdet för varje topp i en annan rad. Till exempel bör de första raderna i textfilen "Carmona. spm_mni. txt" vara:
40, 39, 21,-5,14
53, 27, 21,-3,77
56, 23, 20,-3,63
6. förbehandling
- Klicka på knappen förbehandling i den vänstra menyraden, Välj modalitet av studierna vid listboxen märkt "modalitet" och tryck på OK. I exemplet meta-analys är modaliteten "VBM – Gray Matter".
- Vänta (några minuter) medan SDM-PSI beräknar kartor över de nedre och övre gränserna för potentiella effekt storlekar. SdmPsiGui visar fyra förloppsfält som visar status för körningen och förväntad återstående tid för den aktuella processen. Under beräkningarna kommer färgen på cirkeln bredvid "bearbetningsstatus" att vara gul och ändras till grön om körningen avslutas utan problem, eller till röd om den misslyckas.
7. huvudsaklig analys
- Klicka på knappen medelvärde i den vänstra menyraden och tryck på OK.
- Vänta (några minuter) medan SDM-PSI bedriver multipel avräknings och meta-analys (figur 1).
- Klicka på knappen tröskelvärde i den vänstra menyn verktygslåda, Välj de okorrigerade p-värdena för huvudanalysen ("MyTest_uncorrp" som standard) och tryck på OK. SDM-PSI kommer automatiskt att öppna både MRICron att visualisera resultaten och en webbsida med en detaljerad rapport om dem.
- Tryck på FWE -korrigeringsknappen i verktygslådan till vänster, Välj huvudanalysen i listboxen ("mitttest" som standard) och tryck på OK.
- Vänta (några timmar eller till och med dagar) medan SDM-PSI genomför permutations test.
- Klicka på knappen tröskelvärde i den vänstra menyn verktygslåda, Välj tfce-korrigering av huvudanalysen ("MyTest_corrp_tfce" som standard) och tryck på OK. SDM-PSI kommer automatiskt att öppna både MRICron att visualisera resultaten och en webbsida med en detaljerad rapport om dem.
8. heterogenitet, publikationbias och gradering
- Klicka på knappen extrahera på den vänstra menyn verktygslåda, Välj en topp från huvudanalysen ("MyTest_z_p_0.05000_10_neg_peak1" som standard) och tryck på OK. SDM-PSI kommer automatiskt att öppna en webbsida med statistik av denna topp. Skriv ner heterogenitet i2 statistik.
- Klicka på knappen bias test på den vänstra menyn verktygslåda, Välj en topp från huvudanalysen ("MyTest_z_p_0.05000_10_neg_peak1" som standard) och tryck på OK. SDM-PSI kommer automatiskt att öppna en webbsida med en tratt tomt och resultaten av ett test för små-studie effekt och ett test för överdriven betydelse. Den tidigare tester om det finns asymmetri i tratten tomt (dvs större effekt storlek i små studier), vilket kan tyda på att små studier endast publiceras om de hittar stora effekt storlekar eller andra källor till bias. Den sistnämnda testar om antalet studier med statistiskt signifikanta resultat är större än förväntat, vilket kan tyda på att studier endast publiceras om de hittar statistiskt signifikanta resultat eller andra källor till bias.
- Tryck på knappen bevis sortering i verktygslådan längst upp, Välj huvudanalysen ("mitttest" som standard) i listrutan och tryck på OK. Efter några sekunder, SDM-PSI kommer automatiskt att öppna MRICron att Visa klasser av bevis.
Representative Results
Som visas på kartan öppnas i mricron när tröskelvärde av den viktigaste analysen (figur 2, steg 7,6), patienter med OCD hade statistiskt signifikant mindre grå substans volym i dorsala främre cingulat/medial frontal cortex. Den medföljande webbsidan detaljer att klustret är måttligt liten (143 voxels) och huvudsakligen ligger på Brodmann område 32, och att toppen av klustret är på MNI [2, 32, 32], har ett z-värde på-4,97 och en FWER-korrigerat p-värde på 0,01.
I de webbsidor som erhållits i steg 8,1 och 8,2 var den låga i2 -statistiken (1,5%) indikerar mycket liten heterogenitet, visar tratten tomt inte asymmetrier (figur 3), och både testet för liten studie effekt och testet för överskridande av betydelse är negativa. Emellertid, bevisen för mindre grå substans volym i dorsala främre cingulat cortex är måttligt svag, som visas på kartan öppna i MRICron när bedömning bevis, särskilt på grund av begränsad mängd data.
När huvudanalysen var thresholded med en mindre strikt statistisk signifikansnivå (steg 7,3) visade patienterna också statistiskt signifikant större grå substans volym i striatum och överlägsen parietalgyrus (okorrigerad p-värden = 0,00006 och 0,0002), men bevisen för dessa avvikelser bör betraktas som svagare.
Bild 1: huvudfönstret för det grafiska användargränssnittet SDP-PSI under en genomsnittlig körning. Vänligen klicka här för att se en större version av denna siffra.
Figur 2: regioner med statistiskt signifikant mindre grå substans volym hos patienter med tvångssyndrom jämfört med matchade friska kontroller.
Klustret av statistisk signifikans omfattar 143 voxels, har sin topp på MNI [2, 32, 32], och omfattar mestadels dorsala främre cingulat/medial frontal cortex, Brodmann område 32. Vänligen klicka här för att se en större version av denna siffra.
Figur 3: tratt Plot för toppen av klustret av statistiskt signifikant mindre grå substans volym i dorsala främre cingulat cortex. Vänligen klicka här för att se en större version av denna siffra.
| Mjukvarupaket | Kodning i SDM |
| Statistisk parametrisk mappning (SPM) | Spm |
| FMRIB Programvarubibliotek (FSL) | Fsl |
| Andra paket | Andra |
| Stereotactic utrymme | Kodning i SDM |
| Montreal neurologiska Institutet (MNI) | Mni |
| RAW Talairach | tal |
| MNI omvandlas till Talairach med brett Transform | brett |
Tabell 1: förteckning över mjukvarupaket och stereotaktisk utrymmen förstås av SDM-PSI.
| t-värdena måste vara positiva när: | t-värdena måste vara negativa när: | |
| FMRI-studier med ett prov | aktivitets > Baslinje (aktivering) | aktivitets < baslinje (inaktivering) |
| FMRI-studier med två prov | patienter > kontroller i uppgift > baseline (Hyper-aktivering) | patienter < kontroller i uppgift > baseline (hypo-aktivering) |
| patienter < kontroller i aktivitets < baseline (misslyckad avaktivering) | patienter > kontroller i aktivitets < baseline (Hyper-deaktivering) | |
| Två prov VBM/FA studier | patienter > kontroller (större volym/FA) | patienter < kontroller (mindre volym/FA) |
Tabell 2: tecken på t-värdena för topparna.
Discussion
Som infördes tidigare, de flesta Voxel-baserade meta-analytiska metoder använder ett test för konvergens av toppar som har vissa begränsningar, och sedan genomföra en binär klassificering av bevis uteslutande baserat på p-värden.
I detta protokoll, vi detaljerade hur man genomför en Voxel-baserad meta-analys med SDM-PSI, som har ett antal positiva funktioner, inklusive en standard permutation test för att bedöma den statistiska betydelsen av effekterna. Dessutom visar vi hur styrkan i bevisen kan bedömas med hjälp av en uppsättning kriterier som går utöver en binär klassificering som enbart förlitar sig på en statistisk signifikansnivå.
För att underlätta replikeringen av exempel meta-analysen tillhandahåller vi de data som redan extraherats från manuskripten från en tidigare meta-analys. Intressant, i manuskriptet till denna meta-analys, bevisen "verkade" starkare än de bevis som vi hittade med de uppdaterade metoderna. Vi föreslår därför att osystematiska utvärderingar av bevisen i tidigare Voxel-baserade meta-analyser tas med försiktighet.
Vi hoppas att efter detta protokoll, neuroimaging meta-analyser ger en rikare och mer granulat Beskrivning av bevisen för neuroimaging fynd.
Disclosures
Författarna har inget att lämna ut.
Acknowledgments
Detta arbete stöddes av Miguel Servet forskningskontrakt MS14/00041 och forskningsprojekt PI14/00292 från planen Nacional de I + D + I 2013 – 2016, Instituto de Salud Carlos III-Subdirección General de Evaluación y Fomento de La Investigación, Europeiska regionala utvecklingsfonden (FEDER), och genom PFIS Predoktors kontrakt FI16/00311. Finansiärer hade ingen roll i utformningen och genomförandet av studien; insamling, hantering, analys och tolkning av uppgifterna. förberedelse, granskning eller godkännande av manuskriptet; och beslut om att lämna in manuskriptet för publicering.
Materials
| Name | Company | Catalog Number | Comments |
| Computer | 32- or 64-bit Windows, 64-bit Mac OSX, or 64-bit Linux |
References
- Turkeltaub, P. E., Eden, G. F., Jones, K. M., Zeffiro, T. A. Meta-analysis of the functional neuroanatomy of single-word reading: method and validation. Neuroimage. 16 (3 Pt 1), 765-780 (2002).
- Laird, A. R., et al. ALE meta-analysis: controlling the false discovery rate and performing statistical contrasts. Human Brain Mapping. 25 (1), 155-164 (2005).
- Wager, T. D., Lindquist, M., Kaplan, L. Meta-analysis of functional neuroimaging data: current and future directions. Social Cognitive and Affective Neuroscience. 2 (2), 150-158 (2007).
- Radua, J., Mataix-Cols, D. Voxel-wise meta-analysis of grey matter changes in obsessive-compulsive disorder. British Journal of Psychiatry. 195 (5), 393-402 (2009).
- Eickhoff, S. B., et al. Coordinate-based activation likelihood estimation meta-analysis of neuroimaging data: a random-effects approach based on empirical estimates of spatial uncertainty. Human Brain Mapping. 30 (9), 2907-2926 (2009).
- Eickhoff, S. B., Bzdok, D., Laird, A. R., Kurth, F., Fox, P. T. Activation likelihood estimation meta-analysis revisited. Neuroimage. 59 (3), 2349-2361 (2012).
- Albajes-Eizagirre, A., Radua, J. What do results from coordinate-based meta-analyses tell us? Neuroimage. 176, 550-553 (2018).
- Albajes-Eizagirre, A., Solanes, A., Vieta, E., Radua, J. Voxel-based meta-analysis via permutation of subject images (PSI): Theory and implementation for SDM. Neuroimage. 186, 174-184 (2018).
- Bossier, H., et al. The Influence of Study-Level Inference Models and Study Set Size on Coordinate-Based fMRI Meta-Analyses. Frontiers in Neuroscience. 11, 745 (2017).
- Radua, J., et al. A new meta-analytic method for neuroimaging studies that combines reported peak coordinates and statistical parametric maps. European Psychiatry. 27 (8), 605-611 (2012).
- Winkler, A. M., Ridgway, G. R., Webster, M. A., Smith, S. M., Nichols, T. E. Permutation inference for the general linear model. Neuroimage. 92, 381-397 (2014).
- Smith, S. M., Nichols, T. E. Threshold-free cluster enhancement: addressing problems of smoothing, threshold dependence and localisation in cluster inference. Neuroimage. 44 (1), 83-98 (2009).
- Radua, J., et al. Anisotropic kernels for coordinate-based meta-analyses of neuroimaging studies. Frontiers in Psychiatry. 5, 13 (2014).
- Albajes-Eizagirre, A., Solanes, A., Radua, J. Meta-analysis of non-statistically significant unreported effects. Statistical Methods in Medical Research. 962280218811349, (2018).
- Durnez, J., Moerkerke, B., Nichols, T. E. Post-hoc power estimation for topological inference in fMRI. Neuroimage. 84, 45-64 (2014).
- Fullana, M. A., et al. Fear extinction in the human brain: A meta-analysis of fMRI studies in healthy participants. Neuroscience & Biobehavioral Reviews. 88, 16-25 (2018).
- Wise, T., et al. Common and distinct patterns of grey-matter volume alteration in major depression and bipolar disorder: evidence from voxel-based meta-analysis. Molecular Psychiatry. 22 (10), 1455-1463 (2017).
- Radua, J., et al. Multimodal voxel-based meta-analysis of white matter abnormalities in obsessive-compulsive disorder. Neuropsychopharmacology. 39 (7), 1547-1557 (2014).
- He, W., et al. Meta-analytic comparison between PIB-PET and FDG-PET results in Alzheimer's disease and MCI. Cell Biochemistry and Biophysics. 71 (1), 17-26 (2015).
- Muller, V. I., et al. Ten simple rules for neuroimaging meta-analysis. Neuroscience & Biobehavioral Reviews. 84, 151-161 (2018).
- Moher, D., Liberati, A., Tetzlaff, J., Altman, D. G., Group, P. Preferred reporting items for systematic reviews and meta-analyses: the PRISMA statement. British Medical Journal. 339, b2535 (2009).
- Radua, J., et al. What causes psychosis? An umbrella review of risk and protective factors. World Psychiatry. 17, 49-66 (2018).
