Summary
Vi detalj hvordan å gjennomføre en meta-analyse av Voxel-baserte neuroimaging studier ved hjelp av Seed-basert d kartlegging med Permutasjon av faget bilder (SDM-PSI).
Abstract
De fleste metoder for å gjennomføre meta-analyse av Voxel-baserte neuroimaging studier ikke vurdere om effekter ikke er null, men om det er en konvergens av toppene av statistisk betydning, og redusere vurderingen av bevisene til en binær klassifisering utelukkende basert på p-verdier (dvs. voxels kan bare være "statistisk signifikant" eller "ikke-statistisk signifikante"). Her, vi detalj hvordan du skal gjennomføre en meta-analyse ved hjelp Seed-basert d kartlegging med Permutasjon av bilder (SDM-PSI), en ny metode som bruker en standard permutasjon test for å vurdere om effektene er ikke null. Vi viser også hvordan å vurdere styrken på bevisene i henhold til et sett av kriterier som vurderer en rekke statistiske betydning nivåer (fra mer liberale til mer konservative), mengden av data eller påvisning av potensielle skjevheter (f. eks små-studien effekt og overflødig av betydning). For å eksempler på prosedyren, detalj vi gjennomføring av en meta-analyse av Voxel-baserte morphometry studier i Tvangslidelser, og vi gir alle data som allerede er Hentet fra manuskripter å tillate leseren å gjenskape meta-analyse Lett. SDM-PSI kan også brukes til meta-analyser av funksjonell magnetisk resonans imaging, diffusjon tensor Imaging, posisjon utslipps tomografi og overflate-baserte morphometry studier.
Introduction
Siden innføringen av magnetisk resonans imaging, neuroimaging samfunnet har publisert tusenvis av studier av nevrale underlag av psykologiske funksjoner og nevropsykiatriske lidelser. For å oppsummere disse funnene, har flere metoder blitt utviklet1,2,3,4,5,6. Opprinnelige Voxel neuroimaging studier rapporterer koordinatene til toppene av statistisk betydning (f. eks, i en sammenligning av grå materie volum mellom pasienter og kontroller), og meta-analytiske metoder ofte vurdere om det er konvergens av topper i visse områder i hjernen.
Men vi har tidligere vist at disse testene for konvergens av toppene er avhengige av delikate forutsetninger som kan påvirke mønstrene av meta-analyseresultater og deres statistiske betydning7. Spesielt disse testene anta at voxels er uavhengige og at de har samme sannsynligheten for en "False" peak, mens i ekte grå materie, voxels relatere med sine naboer og sannsynligheten for at en Voxel har en "False" peak avhenger av dens vev sammensetning. I tillegg er de også omfatte paradokser som at den statistiske makten øker i nærvær av få sanne effekter, og avtar når det er flere sanne effekter.
For å løse disse problemene, utviklet vi en metode som imputes hjernen kart av statistiske effekter for hver studie, og deretter gjennomfører en standard Random-Effects meta-analyse for å formelt teste om virkningene er forskjellig fra null. Denne metoden kalles "Seed-basert d Mapping med Permutasjon av emne bilder" (SDM-PSI)8 og dens viktigste funksjoner inkluderer:
- Regnskap for både økninger og reduksjoner av utfallet av interesse (f. eks aktivering og deaktivering) slik at motstridende funn avbryte hverandre4;
- Bruk av effekt størrelse estimater med tilfeldige effekter modellering, noe som øker pålitelighet og ytelse9;
- Potensiell samtidig inkludering av tilgjengelige 3D-statistiske bilder (dvs. kart over t-test-verdier)10;
- BAS ert permutasjon tester som er identiske med FSL tilfeldig-verktøy11;
- Bruk av terskelfri klynge forbedring (TFCE) statistikk12.
Vi har detaljert og fullt validert SDM metoder andre steder4,8,10,13,14.
I tillegg anbefaler vi ikke å stole på en binær klassifisering av voxels basert på nivået av statistisk betydning (signifikant kontra ikke signifikant), men omvendt, vurdere styrken på bevisene ved hjelp av et sett med kriterier22. Den binære statistisk betydning reduksjonisme fører til dårlig kontroll av falske positive og falske negative priser15, mens kriteriene brukerområder av statistisk betydning nivåer og ta hensyn til mengden av data eller potensielle fordommer. SDM-PSI-programvaren returnerer de nødvendige elementene for å gjennomføre en slik klassifisering8 og dermed kan de brukes til å ha råd til en mer detaljert klassifisering av styrken på bevisene.
Her viser vi hvordan man gjennomfører en meta-analyse av Voxel-baserte neuroimaging studier ved hjelp av SDM-PSI. For å være eksempler på protokollen, bruker vi data fra en publisert meta-analyse av Voxel morphometry studier som undersøkte grå materie unormalt hos pasienter med Tvangslidelser (OCD)4. Men vi vil ikke bruke de metoder som brukes i den tidlige meta-analyse, men de nevnte State-of-the-art prosedyrer. Leseren kan laste ned programvaren og disse dataene fra vår hjemmeside (http://www.sdmproject.com/) for å gjenskape analysen.
Alle forskere som har som mål å gjennomføre en meta-analyse av Voxel-baserte neuroimaging studier kan følge denne protokollen. Metoden kan brukes med funksjonell magnetisk resonans imaging (fMRI, for eksempel fet respons på en stimulans)16, Voxel-baserte MORPHOMETRY (VBM, f. eks, grå materie volum)17, DIFFUSJON tensor Imaging (DTI, f. eks brøk anisotropien)18, posisjon utslipps tomografi (pet, for eksempel, reseptor occupancy)19 og overflate-baserte morphometry (SBM, f. eks kortikale tykkelse) studier/datasett.
Protocol
1. installasjon av SDM-PSI
- Gå til https://www.sdmproject.com/software/ for å laste ned versjonen av SDM-PSI for operativsystemet på datamaskinen som en zip-fil.
- Dekomprimere ZIP-filen. Hvis du vil unngå problemer, kan du dekomprimere det i en lokal mappe uten mellomrom i banen.
- Klikk på filen SdmPsiGui å utføre det grafiske GRENSESNITTET til SDM-PSI, og Lukk om Splash-vinduet som åpnes automatisk.
- Hvis SdmPsiGui ikke finner alle nødvendige baner, vil den automatisk tilby å vise preferanse vinduet. Trykk Yes.
- Hvis MRICron ikke er installert på datamaskinen gå til https://www.nitrc.org/FRS/?group_id=152 for å laste ned versjonen for operativsystemet på datamaskinen som en zip-fil, og dekomprimere zip-filen.
- Inne hjernen seer tab av fortrinnsrett vindu, sikre det hjerne seer er sette å MRICron, og falle i staver folderen ikon nærmest hjerne seer startbar å finner det MRICron startbar.
- Kontroller at alle gjenværende baner i de ulike kategoriene har blåmerker, som angir at banene er riktige.
- I tilfellet det SdmPsiGui har ikke automatisk vist fortrinnsrett vindu, gå til det verktøy meny og falle i staver preferansene.
- I kategorien multithreading angir du antall samtidige tråder som skal brukes i beregningene. Noen SDM-PSI-beregninger tar svært lang tid (fra timer til dager) og bruker store mengder RAM-minne (fra hundrevis av megabyte til gigabyte). Bruken av flere tråder (parallell prosessering) vesentlig reduserer tiden, men øker minnet som brukes.
- Lukk preferanse vinduet og SdmPsiGui.
2. meta-analyse plan
- Angi et presist spørsmål. For eksempel, "gjøre pasienter med OCD har grå materie volum regionale unormalt?"
- Skriv tydelige inkluderings kriterier som gir en systematisk inkludering av studiene. For eksempel, "alle studier som utførte hele hjernen Voxel sammenligning av grå materie volum mellom individer med OCD og sunne kontroller".
- Skriv tydelige kriterier for ekskludering som tillater en systematisk utelukkelse av disse studiene som ikke kan eller bør inkluderes av bestemte grunner. For eksempel, "studier med mindre enn 10 pasienter, dupliserte datasett, eller studier som den nødvendige informasjonen ikke kan hentes".
- Skriv ned dataene for å trekke ut fra hver studie. Følgende liste inneholder anbefalte data (noen av dem er ikke strengt nødvendig, men deres fravær vil utarmer meta-analyse):
- En identifisering av studien.
- Utvalgsstørrelsene.
- Den statistiske betydningen nivå, som er t-verdi, z-verdi eller p-verdi som brukes i studien for å avgjøre hvilke voxels var statistisk signifikant.
- Programvaren og stereotactic plass. Se tabell 1 for listen over programvarepakker og stereotactic områder forstått av SDM-PSI.
- Koordinatene og høyden på toppene. Høyden på en topp er dens t-verdi eller z-verdi, men en p-verdi er også nyttig.
- Variabler som skal brukes til å beskrive prøvene, eller til å utføre undergruppeanalyser eller meta-regresjoner.
- For å øke kvaliteten på gjennomgangen, vurdere å følge "ti enkle regler for neuroimaging meta-analyse"20 og PRISMA Sjekkliste21.
- For å øke gjennomsiktigheten til gjennomgangen bør du vurdere å registrere protokollen på forhånd i en offentlig tilgjengelig database, for eksempel PROSPERO (https://www.CRD.York.ac.uk/PROSPERO/).
3. uttømmende søk
- Velg et sett med søkeord som gjør det mulig å finne en studie som kan oppfylle inkluderings kriteriene. For eksempel kan søkeordene være "obsessive-Compulsive Disorder" pluss "morphometry", "Voxel-basert" eller "voxelwise".
- Gjennomføre søk på databaser som PubMed og Web of Science:
- Gå til webområdet for databasen, for eksempel https://www.ncbi.nlm.nih.gov/pubmed/ for PubMed.
- Skriv inn søkespørringen. I eksempelet meta-analyse, kan spørringen være "obsessive-Compulsive Disorder" og ("morphometry" eller "Voxel-basert" eller "voxelwise"). I denne spørringen betyr operatoren "og" at studiene må ha alle nøkkelord, operatoren "eller" betyr at studiene må ha minst ett av nøkkelordene, og parentesene angir rekkefølgen på disse logiske operasjonene. Derfor må de hentede studiene har søkeordet "obsessive-Compulsive Disorder" og minst ett av søkeordene "morphometry", "Voxel-basert" eller "voxelwise". Merk at andre strategier er mulig.
- Bruk kriteriene for inkludering/ekskludering. For eksempel, fra resultatene gitt av databasene, velger du bare artikler som analyserer forskjeller i grå materie volum mellom pasienter med Tvangslidelser og kontroller utfører hele hjernen Voxel-baserte morphometry studier, og forkaste studier inkludert mindre enn 10 pasienter og studier som re-analysert tidligere publiserte data.
- For å øke forsking av søket, bør du vurdere å gjennomføre et manuelt søk over refererte verk i de valgte studiene.
- For å maksimere inkludering av studier og unngå usikkerhet i innsamling av data, bør du vurdere å kontakte de tilsvarende forfatterne å be om eventuelle manglende eller uklare data.
- Registrer antall studier som er hentet og antall studier ekskludert for hver grunn. Vurder å lage en PRISMA Flow diagram21 med disse tallene.
4. innsamling av data
- For hver inkluderte studie, Les manuskriptet for å finne de spesifikke dataene som skal trekkes ut.
- Lagre dataene fra studiene systematisk, for eksempel ved å skrive inn dataene i forhåndsformaterte regnearkfiler. Hvis du vil minimere skrivefeil, kan du vurdere å kopiere og lime inn antallet av interesse og dobbeltsjekke de lagrede dataene.
- Når det statistiske viktighetsnivået er uklart, Vurder å følge disse anbefalingene:
- Hvis manuskriptet meddeler toppene oppnådd benytter to hele-hjerne statistisk betydning høyder, e.g. p-salgsverdi < 0,001 uten rettelsen for mangfoldig Sammenligningene (fra nå av, "uncorrected grense") og familywise feil rate (FWER) < 0,05 (fra nå av " korrigert terskel "), velger du uncorrected terskelen, og inkluderer alle topper innhentet ved hjelp av denne uncorrected terskelen. Grunnen til å foretrekke uncorrected terskelen er at studier vanligvis få flere topper bruke en uncorrected terskel, og SDM anslår kartene mer nøyaktig hvis den har informasjon fra flere topper.
- Hvis manuskriptet rapporterer topper innhentet ved hjelp av en uncorrected terskel for økninger og en korrigert terskel for nedgang (eller vice versa), velger du uncorrected terskelen, men inkluderer bare toppene innhentet ved hjelp av den korrigerte terskelen. Dette er en konservativ tilnærming fordi det kan kaste noen topper innhentet ved hjelp av uncorrected terskelen. Et eksempel på denne situasjonen kan være når et manuskript sier noe som "vi oppdaget FWER-korrigert større grå materie volumer i enkelte regioner, mens vi ikke oppdager mindre grå materie volum i noen region selv bruker uncorrected p-verdi < 0,001".
- Hvis forfatterne har brukt Cluster-basert statistikk, kan du bruke grensen for klynge forming høyde. Dette er en konservativ tilnærming fordi noen voxels kan ha hatt t-verdier høyere enn terskelen, men forfatterne forkastet dem fordi deres klynger ikke var store nok.
- Hvis manuskriptet ikke spesifiserer en terskel, bruk en litt mindre verdi enn t-verdien av den minste toppen. Grunnen til å bruke denne t-verdien er at hvis forfatterne hadde brukt denne statistiske betydningen terskelen uten å kreve en minimumsstørrelse for klynger, ville de ha funnet de samme toppene.
- Gjør følgende når du registrerer topp informasjonen:
- Ekskluder topper innhentet ved hjelp av en statistisk betydning terskel som er mer liberale enn terskelen valgt for resten av hjernen. Et eksempel på denne situasjonen er når forfatterne brukt mer liberale terskler eller små volum korreksjoner til noen a priori hjernen regioner.
- Konverter z-verdier og p-verdier til t-verdier. Klikk på knappen Konverter topper i SDM-PSI programvare for å konvertere dem enkelt. Du kan også konvertere dem i samme regnearkfil (for eksempel "= T. INV (1-0.001, 34)" for p-Value = 0,001 og 34 grader av frihet; frihetsgradene er summen av utvalgsstørrelsene minus antall parametere, som i en sammenligning på to utvalg er to pluss antall kovariatene som brukes i den opprinnelige sammenligningen).
- Bruk positive t-verdier for topper med økning (for eksempel aktivering) og negative t-verdier for topper av nedgang (f. eks, deaktivering). Se tabell 2 for veiledning om hvordan du bestemmer tegn på t-verdiene.
Merk: vi fikk informasjon fra studiene "Heuvel" og "Soriano-mas" etter personlig kommunikasjon.
5. innføring av data i SDM-PSI
- Åpen SdmPsiGui og slutte det om Splash vindu (unngå har alle nøkkel presser stund inndragelse den).
- Klikk på endre meta-analyse knappen øverst til venstre i det grafiske grensesnittet for å velge en katalog for meta-analyse (alle nye tomme katalog av valget vil gjøre).
- Klikk på knappen SDM Table Editor for å legge inn generell informasjon fra studiene, inkludert deres identifikasjon (kolonne "studie"), deres utvalgsstørrelser (kolonner "N1" og "N2"), t-verdien som de brukte som statistiske terskler (kolonne "t_thr"), og andre potensielle variabler å gjennomføre undergruppeanalyser eller meta-regresjoner.
- I den valgte katalogen oppretter du en tekstfil for hver studie med koordinatene og t-verdien for hver topp:
- Åpne et tekstredigeringsprogram for å opprette en tekstfil navngitt som [identifisering av studien] + "." + [programvaren] + "_" + [stereotactic Space] + ". txt". For eksempel, for studien "Carmona" som ble gjennomført med SPM og rapporter koordinatene i MNI plass, må navnet på tekstfilen være "Carmona. spm_mni. txt". Hvis studien har ingen topper, programvare og stereotactic plass kan erstattes med "no_peaks".
- Skriv koordinatene og t-verdien for hver topp i en annen rad. For eksempel, de første radene i tekstfilen "Carmona. spm_mni. txt" skal være:
40, 39, 21,-5,14
53, 27, 21,-3,77
56, 23, 20,-3,63
6. pre-bearbeiding
- Klikk i forbehandling knappen på venstre menylinjen, Velg modalitet av studiene på listen boksen merket "modalitet" og trykk OK. I eksempelet meta-analyse, er modalitet "VBM-grå materie".
- Vent (noen minutter) mens SDM-PSI beregner kartene av de nedre og øvre grensene for potensielle effektstørrelser. SdmPsiGui vil vise fire fremdriftsindikatorer som viser statusen for kjøringen og forventet gjenstående tid for gjeldende prosess. Under beregningene, fargen på sirkelen ved siden av "Processing status" vil være gul, og vil endres til grønt hvis utførelsen ender vellykket, eller til rødt hvis det svikter.
7. hoved analyse
- Klikk på gjennomsnitts knappen på venstre menylinje, og trykk på OK.
- Vent (noen minutter) mens SDM-PSI gjennomfører flere godtgjørelses og meta-analyse (figur 1).
- Klikk på terskel -knappen i venstre verktøykasse, Velg uncorrected p-verdier for den viktigste analysen ("MyTest_uncorrp" som standard) og trykk OK. SDM-PSI vil automatisk åpne både MRICron å visualisere resultatene og en nettside med en detaljert rapport av dem.
- Trykk på FWE korreksjon knappen på venstre menyen verktøykassen, velger du den viktigste analysen i listen ("mytest" som standard) og trykk OK.
- Vent (noen timer eller til og med dager) mens SDM-PSI gjennomfører permutasjon testen.
- Klikk på terskel -knappen i venstre verktøykasse, Velg TFCE-korrigering av de viktigste analyse ("MyTest_corrp_tfce" som standard) og trykk OK. SDM-PSI vil automatisk åpne både MRICron å visualisere resultatene og en nettside med en detaljert rapport av dem.
8. heterogenitet, publisering bias og gradering
- Klikk på Extract -knappen på venstre meny verktøykassen, Velg en topp fra den viktigste analysen ("MyTest_z_p_0.05000_10_neg_peak1" som standard) og trykk OK. SDM-PSI vil automatisk åpne en nettside med statistikk for denne toppen. Skriv ned heterogenitet i2 statistikken.
- Klikk på bias test -knappen på venstre menyen verktøykasse, Velg en topp fra den viktigste analysen ("MyTest_z_p_0.05000_10_neg_peak1" som standard) og trykk OK. SDM-PSI vil automatisk åpne en nettside med en trakt tomten og resultatene av en test for små-studien effekt og en test for overflødig betydning. Den tidligere tester om det er asymmetri i trakten tomten (dvs. større effekt størrelse i små studier), som kan indikere at små studier er bare publisert hvis de finner store effektstørrelser eller andre kilder til bias. Sistnevnte tester om antall studier med statistisk signifikante resultater er større enn forventet, noe som kan indikere at studier er bare publisert hvis de finner statistisk signifikante resultater eller andre kilder til bias.
- Trykk på vurderings knappen bevis fra den øverste verktøykassen, Velg hoved analysen («mytest» som standard) fra listeboksen, og trykk på OK. Etter noen sekunder, vil SDM-PSI automatisk åpne MRICron å vise klasser av bevis.
Representative Results
Som vist på kartet åpnet i MRICron når terskelverdi av den viktigste analysen (figur 2, trinn 7,6), pasienter med OCD hadde statistisk signifikant mindre grå materie volum i rygg fremre cingulum/midtre frontal cortex. Den med følgende websiden detaljer som klyngen er moderat liten (143 voxels) og hovedsakelig plassert på Brodmann området 32, og at toppen av klyngen er på MNI [2, 32, 32], har en z-verdi av-4,97 og en FWER-korrigert p-verdien av 0,01.
På websidene innhentet i trinn 8,1 og 8,2, den lave i2 statistikken (1,5%) indikerer svært små heterogenitet, ikke trakt plottet viser ikke asymmetrier (Figur 3), og både test for små-studien effekt og testen for overkant av betydning er negative. Imidlertid er bevisene for mindre grå materie volum i rygg fremre cingulum cortex moderat svakt, som vist i kartet åpne i MRICron når gradering bevis, spesielt på grunn av begrenset mengde data.
Når den viktigste analysen ble thresholded ved hjelp av en mindre streng statistisk betydning nivå (trinn 7,3), viste pasientene også statistisk signifikant større grå materie volum i striatum og overlegen parietal gyrus (uncorrected p-verdier = 0,00006 og 0,0002 henholdsvis), men bevisene for disse unormalt bør vurderes svakere.
Figur 1: hovedvinduet i SDP-PSI grafisk brukergrensesnitt under en gjennomsnittlig utførelse. Vennligst klikk her for å se en større versjon av dette tallet.
Figur 2: regioner statistisk signifikant mindre grå materie volum hos pasienter med Tvangslidelser i forhold til matchet sunne kontroller.
Klyngen av statistisk betydning dekker 143 voxels, har sitt høydepunkt på MNI [2, 32, 32], og omfatter det meste rygg fremre cingulum/midtre frontal cortex, Brodmann området 32. Vennligst klikk her for å se en større versjon av dette tallet.
Figur 3: trakt tomten for toppen av klyngen av statistisk signifikant mindre grå materie volum i rygg fremre cingulum cortex. Vennligst klikk her for å se en større versjon av dette tallet.
| Programvarepakker | Koding i SDM |
| Statistisk parametrisk kartlegging (SPM) | Spm |
| FMRIB programvarebibliotek (FSL) | Fsl |
| Andre pakker | Andre |
| Stereotactic plass | Koding i SDM |
| Montreal nevrologiske Institutt (MNI) | Mni |
| Rå Talairach | Tal |
| MNI konvertert til Talairach bruker brett Transform | Brett |
Tabell 1: liste over programvarepakker og stereotactic områder forstått av SDM-PSI.
| t-verdier må være positive når: | t-verdier må være negative når: | |
| Ett-sample fMRI studier | oppgave > Baseline (aktivering) | oppgave < opprinnelig plan (deaktivering) |
| To utvalg fMRI studier | pasienter > Kontroller i oppgave > Baseline (Hyper-aktivering) | pasienter < kontroller i oppgave > Baseline (allergi-aktivering) |
| pasienter < kontroller i oppgave < Baseline (mislykket deaktivering) | pasienter > Kontroller i oppgave < Baseline (Hyper-deaktivering) | |
| VBM/FA-studier med to utvalg | pasienter > Kontroller (større volum/FA) | pasienter < kontroller (mindre volum/FA) |
Tabell 2: tegn på t-verdiene til toppene.
Discussion
Som innført tidligere, de fleste Voxel-baserte meta-analytiske metoder bruker en test for konvergens av topper som har noen begrensninger, og deretter gjennomføre en binær klassifisering av bevisene utelukkende basert på p-verdier.
I denne protokollen, vi detaljert hvordan du utfører en Voxel-basert meta-analyse ved hjelp av SDM-PSI, som har en rekke positive funksjoner, inkludert en standard permutasjon test for å vurdere den statistiske betydningen av effektene. I tillegg viser vi hvordan styrken på bevisene kan vurderes ved hjelp av et sett med kriterier som går utover en binær klassifisering som utelukkende er avhengig av ett statistisk viktighetsnivå.
For å lette replikering av eksempelet meta-analyse, gir vi dataene allerede Hentet fra manuskripter fra en tidligere meta-analyse. Interessant, i manuskriptet av at meta-analyse, bevisene "virket" sterkere enn bevisene som vi fant med den oppdaterte metoder. Vi anbefaler derfor at unsystematic evalueringer av bevisene i tidligere Voxel-baserte meta-analyser tas med forsiktighet.
Vi håper at etter denne protokollen, neuroimaging meta-analyser gir en rikere og mer granulat beskrivelse av bevis for neuroimaging funn.
Disclosures
Forfatterne har ingenting å avsløring.
Acknowledgments
Dette arbeidet ble støttet av Miguel Servet Research Contract MS14/00041 and Research Project PI14/00292 fra plan Nacional de I + D + I 2013 – 2016, Instituto de salud Carlos III-Subdirección General de Evaluación y Fomento de la Investigación, det europeiske Regional Development Fund (FEDER), og ved PFIS postgradualt Contract FI16/00311. Oppdragsgivers hadde ingen rolle i utformingen og gjennomføringen av studien; innsamling, forvaltning, analyse og tolkning av dataene; Forberedelse, gjennomgang eller godkjennelse av manuskriptet; og beslutningen om å sende manuskriptet for publisering.
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).
