Summary

Meta-análise de estudos de neuroimagem baseados em Voxel usando mapeamento d baseado em sementes com permutação de imagens de indivíduos (SDM-PSI)

Published: November 27, 2019
doi:

Summary

Detalhamos como realizar uma meta-análise de estudos de neuroimagem baseados em voxel usando mapeamento d baseado em sementes com permutação de imagens de indivíduos (SDM-PSI).

Abstract

A maioria dos métodos para a realização de meta-análise de estudos de neuroimagem baseados em voxel não avalia se os efeitos não são nulos, mas se há uma convergência de picos de significância estatística e reduz a avaliação das evidências para uma classificação binária exclusivamente com base em p-valores (ou seja, voxels só pode ser “estatisticamente significativo” ou “não estatisticamente significativo”). Aqui, detalhamos como realizar uma meta-análise usando o mapeamento d baseado em sementes com permutação de imagens de indivíduos (SDM-PSI), um novo método que usa um teste de permutação padrão para avaliar se os efeitos não são nulos. Também mostramos como avaliar a força das evidências de acordo com um conjunto de critérios que considera uma série de níveis de significância estatística (de mais liberais a mais conservadores), a quantidade de dados ou a detecção de vieses potenciais (por exemplo, efeito de pequeno estudo e excesso de significado). Para exemplificar o procedimento, detalhamos a condução de uma meta-análise de estudos de morfometria à base de voxel em transtorno obsessivo-compulsivo, e fornecemos todos os dados já extraídos dos manuscritos para permitir que o leitor replique a meta-análise Facilmente. O SDM-PSI também pode ser usado para metanálises de ressonância magnética funcional, imagens de tensor de difusão, tomografia de emissão de posição e estudos de morfometria à base de superfície.

Introduction

Desde a introdução da ressonância magnética, a comunidade de neuroimagem publicou milhares de estudos sobre os substratos neurais de funções psicológicas e distúrbios neuropsiquiátricos. Para resumir esses achados, vários métodos foram desenvolvidos1,2,3,4,5,6. Estudos originais de neuroimagem baseados em voxel relatam as coordenadas dos picos de significância estatística (por exemplo, em comparação do volume de matéria cinzenta entre pacientes e controles), e métodos meta-analíticos geralmente avaliam se há convergência de picos em certas regiões cerebrais.

No entanto, já mostramos que esses testes de convergência de picos dependem de suposições delicadas que podem influenciar os padrões de resultados de metaanálise e sua significância estatística7. Especificamente, esses testes assumem que os voxels são independentes e que eles têm a mesma probabilidade de um pico “falso”, enquanto na verdadeira matéria cinzenta, voxels correlacionam com seus vizinhos e a probabilidade de que um voxel tenha um pico “falso” depende de sua composição do tecido. Além disso, eles também abrangem paradoxos como que o poder estatístico aumenta na presença de poucos efeitos verdadeiros, e diminui quando há múltiplos efeitos verdadeiros.

Para superar esses problemas, desenvolvemos um método que imputa os mapas cerebrais de efeitos estatísticos para cada estudo e, em seguida, realiza uma meta-análise de efeitos aleatórios padrão para testar formalmente se os efeitos são diferentes de zero. Este método é chamado de “Mapeamento d baseado em sementes com permutação de imagens de assunto” (SDM-PSI)8 e suas principais características incluem:

  • Contabilizando os aumentos e diminuições do resultado dos juros (por exemplo, ativação e desativação) para que os achados contraditórios cancelem uns aos outros4;
  • Uso de estimativas de tamanho de efeito com modelagem de efeitos aleatórios, o que aumenta a confiabilidade e desempenho9;
  • Potencial inclusão simultânea de imagens estatísticas 3D disponíveis (ou seja, mapas de valores t-test)10;
  • Testes de permutação baseados em indivíduos idênticos aos da ferramenta FSL “randomizar”11;
  • Uso de estatísticas de aprimoramento de cluster sem limites (TFCE)12.

Nós detalhamos e validamos totalmente os métodos sdm em outros lugares4,8,10,13,14.

Além disso, sugerimos não depender de uma classificação binária dos voxels com base no nível de significância estatística (significativa versus não significativa), mas, inversamente, avaliar a força das evidências usando um conjunto de critérios22. O reducionismo estatístico binário leva ao mau controle das taxas falsas positivas e falsas negativas15,enquanto os critérios usam faixas de níveis de significância estatística e levam em conta a quantidade de dados ou vieses potenciais. O software SDM-PSI devolve os elementos necessários para realizar tal classificação8 e, portanto, eles podem ser empregados para pagar uma classificação mais granular da força da evidência.

Aqui mostramos como realizar uma meta-análise de estudos de neuroimagem baseados em voxel usando SDM-PSI. Para exemplificar o protocolo, usamos dados de uma meta-análise publicada de estudos de morfometria à base de voxel que investigaram anormalidades da matéria cinzenta em pacientes com transtorno obsessivo-compulsivo (TOC)4. No entanto, não usaremos os métodos empregados nessa meta-análise inicial, mas os procedimentos de última geração acima mencionados. O leitor pode baixar o software e esses dados do nosso site(http://www.sdmproject.com/)para replicar a análise.

Todos os pesquisadores que visam realizar uma meta-análise de estudos de neuroimagem baseados em voxel podem seguir este protocolo. O método pode ser utilizado com ressonância magnética funcional (fMRI, por exemplo, Bold response to a stimulus)16, voxel-based morphometry (VBM, por exemplo, volume de matéria cinzenta)17, difusão de imagens de tensor (DTI, por exemplo, anisotropia fracionária)18, tomografia de emissão de posição (PET, por exemplo, ocupação receptora)19 e morfometria baseada em superfície (SBM, por exemplo.

Protocol

1. Instalação de SDM-PSI Vá para https://www.sdmproject.com/software/ para baixar a versão do SDM-PSI para o sistema operacional do computador como um arquivo ZIP. Descomprima o arquivo zip. Para evitar problemas, descomprimi-lo dentro de uma pasta local sem espaços em branco em seu caminho. Clique no arquivo SdmPsiGui para executar a interface gráfica do SDM-PSI, e fechar a janela de respingo sobre que será aberto automaticamente. Se sdmpsigui não encontrar todos os caminhos necessários, ele vai oferecer automaticamente para exibir a janela preferências. Pressione Sim. Se mricron não está instalado no computador vá para https://www.nitrc.org/frs/?group_id=152 para baixar a versão para o sistema operacional do computador como um arquivo ZIP, e descomprimir o arquivo ZIP. Na guia do visualizador Brain da janela de preferências, certifique-se de que o visualizador brain está definido como MRICron,e clique no ícone da pasta ao lado do visualizador Brain executável para encontrar o MRICron executável. Certifique-se de que todos os caminhos restantes nas diferentes guias tenham marcas azuis, o que indica que os caminhos estão corretos. Caso a SdmPsiGui não tenha exibido automaticamente a janela de preferências, vá ao menu Ferramentas e clique em Preferências. Na guia Multithreading, especifique o número de tópicos simultâneos para usar nos cálculos. Alguns cálculos sdm-psi demorar muito tempo (de horas para dias) e consomem uma grande quantidade de memória RAM (de centenas de megabytes para gigabytes). O uso de múltiplos tópicos (processamento paralelo) diminui substancialmente o tempo, mas aumenta a memória usada. Feche a janela de preferências e SdmPsiGui. 2. Plano de análise de meta Especifique uma pergunta precisa. Por exemplo, “os pacientes com TOC têm anormalidades regionais do volume da matéria cinzenta?” Escreva critérios claros de inclusão que permitam a inclusão sistemática dos estudos. Por exemplo, “todos os estudos que realizaram comparação baseada em voxel de todo o cérebro do volume de matéria cinzenta entre indivíduos com TOC e controles saudáveis”. Escreva critérios claros de exclusão que permitam uma exclusão sistemática dos estudos que não podem ou não devem ser incluídos por razões específicas. Por exemplo, “estudos com menos de 10 pacientes, conjuntos de dados duplicados ou estudos dos quais as informações necessárias não podem ser recuperadas”. Anote os dados para extrair de cada estudo. A lista a seguir inclui os dados recomendados (alguns deles não são estritamente necessários, mas sua ausência empobreceria a meta-análise): Uma identificação do estudo. Os tamanhos da amostra. O nível de significância estatística, que é o valor t, o valor z ou o p-valor usado no estudo para determinar quais voxels foram estatisticamente significativos. O software e espaço estereotático. Veja a Tabela 1 para a lista de pacotes de software e espaços estereotáticos compreendidos pelo SDM-PSI. As coordenadas e altura dos picos. A altura de um pico é o seu valor t ou z-valor, mas um p-valor também é útil. Variáveis que serão usadas para descrever as amostras ou para realizar análises subgrupoou meta-regressões. Para aumentar a qualidade da revisão, considere seguir as “Dez regras simples para a meta-análise de neuroimagem”20 e a lista de verificaçãoPRISMA 21. Para aumentar a transparência da revisão, considere registrar o protocolo de antemão em um banco de dados disponível publicamente, como prospero(https://www.crd.york.ac.uk/PROSPERO/). 3. Busca exaustiva Selecione um conjunto de palavras-chave que permitem encontrar qualquer estudo que possa atender aos critérios de inclusão. Por exemplo, as palavras-chave podem ser “transtorno obsessivo-compulsivo” mais “morfometria”, “voxel-based” ou “voxelwise”. Realizar a pesquisa em bancos de dados como PubMed e Web of Science: Acesse o site do banco de dados, por exemplo, https://www.ncbi.nlm.nih.gov/pubmed/ para pubmed. Digite a consulta de pesquisa. No exemplo da meta-análise, a consulta pode ser “transtorno obsessivo-compulsivo” e (“morfometria” OU “voxel-based” ou “voxelwise”). Nesta consulta, o operador “E” significa que os estudos devem ter todas as palavras-chave, o operador “OR” significa que os estudos devem ter pelo menos uma das palavras-chave, e os parênteses indicam a ordem dessas operações lógicas. Portanto, os estudos recuperados devem ter a palavra-chave “transtorno obsessivo-compulsivo” e pelo menos uma das palavras-chave “morfometria”, “baseada em voxel” ou “voxelwise”. Observe que outras estratégias são possíveis. Aplique os critérios de inclusão/exclusão. Por exemplo, a partir dos resultados fornecidos pelos bancos de dados, selecione apenas os artigos que analisam as diferenças no volume de matéria cinzenta entre pacientes com transtorno obsessivo-compulsivo e controles realizando estudos de morfometria baseados em voxel de cérebro inteiro e descarte estudos que incluem menos de 10 pacientes e estudos que reanalisaram dados publicados anteriormente. Para aumentar a exaustão da busca, considere a realização de uma busca manual sobre as obras referenciadas nos estudos selecionados. Para maximizar a inclusão de estudos e evitar incertezas na coleta de dados, considere entrar em contato com os autores correspondentes para solicitar quaisquer dados ausentes ou pouco claros. Registre o número de estudos recuperados e o número de estudos excluídos por cada motivo. Considere a criação de um diagrama de fluxo PRISMA21 com esses números. 4. Coleta dos dados Para cada estudo incluído, leia o manuscrito para encontrar os dados específicos para extrair. Salve os dados dos estudos sistematicamente, por exemplo, digitando os dados em arquivos de planilhas pré-formatados. Para minimizar os erros de digitação, considere copiar e colar os números de interesse e verificar novamente os dados salvos. Quando o nível de significância estatística não for claro, considere seguir estas recomendações: Se os relatórios manuscritos picos obtidos usando dois níveis de significância estatística de cérebro inteiro, por exemplo, p-valor < 0,001 sem correção para múltiplas comparações (a partir de agora, "limiar não corrigido") e taxa de erro familiar (FWER) < 0,05 (a partir de agora " limite corrigido), selecione o limite não corrigido e inclua todos os picos obtidos usando esse limite não corrigido. A razão para preferir o limiar não corrigido é que os estudos geralmente obtêm mais picos aplicando um limite não corrigido, e o SDM estima os mapas com mais precisão se tiver informações de mais picos. Se os relatórios manuscritos forem obtidos em picos usando um limite não corrigido para aumentos e um limite corrigido para diminuições (ou vice-versa), selecione o limite não corrigido, mas inclua apenas os picos obtidos usando o limite corrigido. Esta é uma aproximação conservadora porque pôde rejeitar alguns picos obtidos usando o ponto inicial não corrigido. Um exemplo dessa situação pode ser quando um manuscrito afirma algo como “detectamos volumes maiores de matéria cinzenta corrigidos pela FWER em algumas regiões, enquanto não detectamos menor volume de matéria cinzenta em nenhuma região mesmo usando valor p e 0,001 não corrigido”. Se os autores aplicarem estatísticas baseadas em cluster, use o limite de altura formador de cluster. Esta é uma aproximação conservadora porque alguns voxels puderam ter tido t-valores mais altamente do que o ponto inicial, mas os autores rejeitaram-nos porque seus conjuntos não eram grandes bastante. Se o manuscrito não especificar um limite, use um valor ligeiramente menor do que o valor t do menor pico. A razão para usar esse valor t é que se os autores tivessem aplicado esse limite de significância estatística sem exigir um tamanho mínimo para os clusters, eles teriam encontrado os mesmos picos. Ao gravar as informações de pico fazer o seguinte: Excluir picos obtidos usando um limiar de significância estatística que é mais liberal do que o limiar selecionado para o resto do cérebro. Um exemplo dessa situação é quando os autores aplicaram limites mais liberais ou correções de pequeno volume a algumas regiões cerebrais a priori. Converta z-valores e p-valores em t-valores. Clique no botão Converter picos no software SDM-PSI para convertê-los facilmente. Alternativamente, convertê-los no mesmo arquivo planilha (por exemplo, “=T.INV (1-0.001,34)” para p-valor = 0,001 e 34 graus de liberdade; os graus de liberdade são a soma dos tamanhos da amostra menos o número de parâmetros, que em uma comparação de duas amostras são dois mais o número de covariados utilizados na comparação original). Use valores t positivos para picos de aumento (por exemplo, ativação) e valores t negativos para picos de diminuição (por exemplo, desativação). Veja a Tabela 2 para orientação sobre como decidir o sinal dos valores t.NOTA: Obtivemos informações de estudos “Heuvel” e “Soriano-Mas” após a comunicação pessoal. 5. Introdução de dados no SDM-PSI Abra SdmPsiGui e feche a janela de respingo sobre (evite ter qualquer chave pressionada ao fechá-la). Clique no botão de meta-análise Change na parte superior esquerda da interface gráfica para selecionar um diretório para a meta-análise (qualquer novo diretório vazio de escolha fará). Clique no botão editor de tabela SDM para inserir informações gerais dos estudos, incluindo sua identificação (coluna “estudo”), seus tamanhos de amostra (colunas “n1” e “n2”), o valor t que eles usaram como limiares estatísticos (coluna “t_thr”), e outras variáveis potenciais para realizar análises subgrupo ou meta-regressões. Dentro do diretório selecionado, crie um arquivo de texto para cada estudo com as coordenadas e o valor t de cada pico: Abra um editor de texto para criar um arquivo de texto chamado como [a identificação do estudo] + “.” + [o software] + “_” + [o espaço estereotático] + “.txt”. Por exemplo, para o estudo “Carmona” que foi realizado com spm e relata as coordenadas no espaço MNI, o nome do arquivo de texto deve ser “Carmona.spm_mni.txt”. Se o estudo não tem picos, o software e o espaço estereotático podem ser substituídos por “no_peaks”. Escreva as coordenadas e o valor t de cada pico em uma fileira diferente. Por exemplo, as primeiras linhas do arquivo de texto “Carmona.spm_mni.txt” devem ser:40,39,21,-5.1453,27,21,-3.7756,23,20,-3.63 6. Pré-processamento Clique no botão de pré-processamento na barra do menu esquerdo, selecione a modalidade dos estudos na caixa de lista rotulada de “Modalidade” e pressione OK. No exemplo da meta-análise, a modalidade é “VBM – matéria cinzenta”. Espere (alguns minutos), enquanto SDM-PSI calcula os mapas dos limites inferior esquendos e superiores de tamanhos de efeito potenciais. SdmPsiGui mostrará quatro barras de progresso que exibem o status da execução e o tempo restante esperado para o processo atual. Durante os cálculos, a cor do círculo ao lado de “Status de processamento” será amarela, e mudará para verde se a execução terminar com sucesso, ou para vermelho se falhar. 7. Análise principal Clique no botão Mean no menu da barra esquerda e pressione OK. Espere (alguns minutos), enquanto SDM-PSI realiza a imputação múltipla e meta-análise (Figura 1). Clique no botão Threshold na caixa de ferramentas do menu esquerdo, selecione os p-valores não corrigidos da análise principal (“MyTest_uncorrp” por padrão) e pressione OK. SDM-PSI abrirá automaticamente tanto mricron para visualizar os resultados e uma página web com um relatório detalhado deles. Pressione o botão de correção FWE na caixa de ferramentas do menu esquerdo, selecione a análise principal na caixa de lista (“MyTest” por padrão) e pressione OK. Espere (algumas horas ou mesmo dias), enquanto SDM-PSI realiza o teste de permutação. Clique no botão Threshold na caixa de ferramentas do menu esquerdo, selecione a correção TFCE da análise principal (“MyTest_corrp_tfce” por padrão) e pressione OK. SDM-PSI abrirá automaticamente tanto mricron para visualizar os resultados e uma página web com um relatório detalhado deles. 8. Heterogeneidade, viés de publicação e classificação Clique no botão Extrato na caixa de ferramentas do menu esquerdo, selecione um pico da análise principal (“MyTest_z_p_0,05000_10_neg_peak1” por padrão) e pressione OK. SDM-PSI abrirá automaticamente uma página web com estatísticas deste pico. Anote a heterogeneidade I2 estatística. Clique no botão De teste Bias na caixa de ferramentas do menu esquerdo, selecione um pico da análise principal (“MyTest_z_p_0,05000_10_neg_peak1” por padrão) e pressione OK. SDM-PSI abrirá automaticamente uma página web com um lote de funil e os resultados de um teste para efeito de pequeno estudo e um teste para o excesso de significado. Os testes anteriores se há assimetria na trama funil (ou seja, maior tamanho de efeito em pequenos estudos), o que poderia indicar que pequenos estudos só são publicados se encontrarem grandes tamanhos de efeito ou outras fontes de viés. Este último testa se o número de estudos com resultados estatisticamente significativos é maior do que o esperado, o que poderia indicar que os estudos só são publicados se encontrarem resultados estatisticamente significativos ou outras fontes de viés. Pressione o botão de classificação de evidências da caixa de ferramentas superior, selecione a análise principal (“MyTest” por padrão) da caixa de lista e pressione OK. Depois de alguns segundos, o SDM-PSI abrirá automaticamente o MRICron para mostrar as classes de evidências.

Representative Results

Como mostrado no mapa aberto em MRICron quando o limiar da análise principal (Figura 2, passo 7.6), os pacientes com TOC tiveram estatisticamente significativamente menor volume de matéria cinzenta no córtex frontal cingulado/medial anterior dorsal. A página que acompanha detalhes que o cluster é moderadamente pequeno (143 voxels) e principalmente localizado na área de Brodmann 32, e que o pico do cluster está em MNI [2, 32, 32], tem um z-valor de -4,97 e um FWER corrigido p-valor de 0,01. Nas páginas obtidas nas etapas 8.1 e 8.2, a baixa estatística I2 (1,5%) indica a heterogeneidade muito pequena, o lote do funil não mostra assimetrias (Figura 3),e o teste para o efeito do pequeno-estudo e o teste para o excesso do significado são negativos. No entanto, a evidência de menor volume de matéria cinzenta no córtex cingulado anterior dorsal é moderadamente fraca, como mostrado no mapa aberto em MRICron ao classificar evidências, especialmente devido à quantidade limitada de dados. Quando a análise principal foi limiarada por meio de um nível de significância estatística menos rigoroso (passo 7.3), os pacientes também mostraram volume estatisticamente significativamente maior de matéria cinzenta no estriado e giro parietal superior (p-valores não corrigidos = 0,00006 e 0.0002 respectivamente), mas a evidência destas anomalias deve ser considerada mais fraca. <!–Finally, the map of negative subcategories open in MRICron when grading the evidence showed that the effect sizes in non-statistically significant voxels were mostly null to small, and no large effects were observed in any non-statistically significant voxel.–> Figura 1: Janela principal da interface gráfica do usuário SDP-PSI durante uma execução média. Clique aqui para ver uma versão maior deste número. Figura 2: Regiões de volume estatisticamente significativamente menor de massa cinzenta em pacientes com transtorno obsessivo-compulsivo em comparação com controles saudáveis combinados.O cluster de significância estatística abrange 143 voxels, tem seu pico em MNI [2,32,32], e inclui principalmente dorsal anterior cingulado / medial córtex frontal, Brodmann área 32. Clique aqui para ver uma versão maior deste número. Figura 3: Lote do funil para o pico do conjunto do volume estatisticamente significativamente menor da matéria cinzenta no córtex cingulado anterior dorsal. Clique aqui para ver uma versão maior deste número. Pacotes de software Codificação em SDM Mapeamento Paramétrico Estatístico (SPM) Spm Fmrib Software Library (FSL) FMRIB Software Library (FSL) fsl Fsl Outros pacotes Outros Espaço estereotático Codificação em SDM Instituto Neurológico de Montreal (MNI) Mni Talairach crua tal MNI convertido em Talairach usando Brett transformar Brett Tabela 1: Lista de pacotes de software e espaços estereotáticos compreendidos pelo SDM-PSI. t-valores devem ser positivos quando: t-valores devem ser negativos quando: Estudos de fMRI de uma amostra tarefa > linha de base (ativação) tarefa < linha de base (desativação) Estudos de fMRI de duas amostras pacientes > controles na tarefa > linha de base (hiper-ativação) pacientes linha de base (hipo-ativação) pacientes < controles na tarefa < linha de base (falha de desativação) pacientes > controles na tarefa < linha de base (hiper-desativação) Estudos de VBM/FA de duas amostras pacientes > controles (maior volume / FA) pacientes < controles (menor volume / FA) Tabela 2: Sinal dos valores t dos picos.

Discussion

Como introduzido anteriormente, a maioria dos métodos meta-analíticos baseados em voxel usa um teste para convergência de picos que tem algumas limitações e, em seguida, realizar uma classificação binária das evidências exclusivamente com base em p-valores.

Neste protocolo, detalhamos como realizar uma meta-análise baseada em voxel usando SDM-PSI, que tem uma série de características positivas, incluindo um teste de permutação padrão para avaliar a significância estatística dos efeitos. Além disso, mostramos como a força das evidências pode ser graduada usando um conjunto de critérios que vão além de uma classificação binária que depende exclusivamente de um nível de significância estatística.

Para facilitar a replicação da meta-análise de exemplo, fornecemos os dados já extraídos dos manuscritos de uma meta-análise anterior. Curiosamente, no manuscrito dessa meta-análise, a evidência “parecia” mais forte do que a evidência que encontramos com os métodos atualizados. Sugerimos, portanto, que avaliações não sistemáticas das evidências em meta-análises anteriores baseadas em voxel sejam tomadas com cautela.

Esperamos que, seguindo este protocolo, as meta-análises de neuroimagem forneçam uma descrição mais rica e granulada da evidência de achados de neuroimagem.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Este trabalho contou com o apoio de Miguel Servet Research Contract MS14/00041 e do Projeto de Pesquisa PI14/00292 do Plano Nacional de I+D+i 2013-2016, do Instituto de Salud Carlos III-Subdirección General de Evaluación y Fomento de la Investigación, do Fundo Europeu de Desenvolvimento Regional (FEDER) e do Contrato de Pré-Doutorado FI16/0111 da PFIS. Os financiadores não tiveram nenhum papel na concepção e condução do estudo; coleta, gestão, análise e interpretação dos dados; preparação, revisão ou aprovação do manuscrito; e decisão de enviar o manuscrito para publicação.

Materials

Computer 32- or 64-bit Windows, 64-bit Mac OSX, or 64-bit Linux

References

  1. 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).
  2. 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).
  3. 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).
  4. 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).
  5. 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).
  6. 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).
  7. Albajes-Eizagirre, A., Radua, J. What do results from coordinate-based meta-analyses tell us?. Neuroimage. 176, 550-553 (2018).
  8. 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).
  9. 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).
  10. 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).
  11. 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).
  12. 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).
  13. Radua, J., et al. Anisotropic kernels for coordinate-based meta-analyses of neuroimaging studies. Frontiers in Psychiatry. 5, 13 (2014).
  14. Albajes-Eizagirre, A., Solanes, A., Radua, J. Meta-analysis of non-statistically significant unreported effects. Statistical Methods in Medical Research. 962280218811349, (2018).
  15. Durnez, J., Moerkerke, B., Nichols, T. E. Post-hoc power estimation for topological inference in fMRI. Neuroimage. 84, 45-64 (2014).
  16. 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).
  17. 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).
  18. Radua, J., et al. Multimodal voxel-based meta-analysis of white matter abnormalities in obsessive-compulsive disorder. Neuropsychopharmacology. 39 (7), 1547-1557 (2014).
  19. 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).
  20. Muller, V. I., et al. Ten simple rules for neuroimaging meta-analysis. Neuroscience & Biobehavioral Reviews. 84, 151-161 (2018).
  21. 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).
  22. Radua, J., et al. What causes psychosis? An umbrella review of risk and protective factors. World Psychiatry. 17, 49-66 (2018).

Play Video

Cite This Article
Albajes-Eizagirre, A., Solanes, A., Fullana, M. A., Ioannidis, J. P. A., Fusar-Poli, P., Torrent, C., Solé, B., Bonnín, C. M., Vieta, E., Mataix-Cols, D., Radua, J. Meta-analysis of Voxel-Based Neuroimaging Studies using Seed-based d Mapping with Permutation of Subject Images (SDM-PSI). J. Vis. Exp. (153), e59841, doi:10.3791/59841 (2019).

View Video