Summary
Мы подробно, как провести мета-анализ воксел на основе нейровизуализации исследований с использованием семян на основе d Картирование с перестановкой субъектов изображений (SDM-PSI).
Abstract
Большинство методов проведения мета-анализа вокселных нейровизуальных исследований не оценивают, не являются ли эффекты нулевыми, но существует ли сближение пиков статистической значимости, и снижают оценку фактических данных до двоичной классификации исключительно на основе p-значений (т.е. воксели могут быть только "статистически значимыми" или "нестатистически значимыми"). Здесь мы подробно описываем, как проводить мета-анализ с помощью seed-based d Mapping с перестановкой тематических изображений (SDM-PSI), нового метода, который использует стандартный тест на перестановку для оценки того, не являются ли эффекты недействительными. Мы также показываем, как оценить силу доказательств в соответствии с набором критериев, которые учитывают диапазон уровней статистической значимости (от более либеральных до более консервативных), объем данных или выявление потенциальных предубеждений (например, эффект малого исследования и превышение значимости). Для примера процедуры, мы подробно проводим мета-анализ воксел на основе морфомерных исследований в обсессивно-компульсивное расстройство, и мы предоставляем все данные, уже извлеченные из рукописей, чтобы читатель повторить мета-анализ Легко. SDM-PSI также может быть использован для мета-анализа функциональной магнитно-резонансной томографии, диффузионной тензорной томографии, позиционной эмиссионной томографии и поверхностных исследований морфхометрии.
Introduction
С момента введения магнитно-резонансной томографии, нейровизуализации сообщество опубликовало тысячи исследований нервных субстратов психологических функций и нейропсихиатрических расстройств. Подводя итоги этих выводов, было разработанонесколькометодов1,2,3,4,5,6. Оригинальные исследования нейровизуализации на основе вокселя сообщают о координатах пиков статистической значимости (например, в сравнении объема серого вещества между пациентами и элементами управления), а метааналитические методы обычно оценивают, есть ли сближение пиков в определенных областях мозга.
Тем не менее, мы уже показали, что эти тесты для конвергенции пиков опираются на деликатные предположения, которые могут повлиять на модели результатов мета-анализа и их статистическую значимость7. В частности, эти тесты предполагают, что воксели являются независимыми и что они имеют ту же вероятность "ложного" пика, в то время как в реальном сером веществе, воксели коррелируют с их соседями и вероятность того, что воксель имеет "ложный" пик зависит от его состава ткани. Кроме того, они также охватывают такие парадоксы, как то, что статистическая мощность увеличивается в присутствии нескольких истинных эффектов и уменьшается при наличии нескольких истинных эффектов.
Чтобы преодолеть эти проблемы, мы разработали метод, который вмещает карты мозга статистических эффектов для каждого исследования, а затем проводит стандартный мета-анализ случайных эффектов, чтобы официально проверить, отличаются ли эффекты от нуля. Этот метод называется "Семя на основе d Картирование с перестановкой субъектов изображения" (SDM-PSI)8 и его основные особенности включают в себя:
- Учет как увеличения, так и уменьшения результатов интереса (например, активации и деактивации), с тем чтобы противоречивые выводы отменяли друг друга4;
- Использование оценок размера эффекта с помощью моделирования случайных эффектов, что повышает надежность и производительность9;
- Потенциальное одновременное включение доступных 3D-статистических изображений (т.е. карт значений t-test)10;
- Тет-тесты на основе перестановок идентичны тестам FSL "рандомизировать" инструмент11;
- Использование статистики повышения порогового кластера (TFCE)12.
Мы детально и полностью проверили методы SDM в другом месте4,8,10,13,14.
Кроме того, мы предлагаем не полагаться на двоичную классификацию вокселей на основе уровня статистической значимости (значительное против незначительного), а, наоборот, оценивать силу доказательств с помощью набора критериев22. Двоичная статистическая значимость редукционизма приводит к плохому контролю ложноположительных и ложных отрицательных ставок15,в то время как критерии используют диапазоны уровней статистической значимости и учитывают объем данных или потенциальные предубеждения. Программное обеспечение SDM-PSI возвращает необходимые элементы для проведения такой классификации8, и поэтому они могут быть использованы для обеспечения более детальной классификации прочности доказательств.
Здесь мы покажем, как проводить мета-анализ вокселных нейровизуальных исследований с использованием SDM-PSI. Для примера протокола, мы используем данные из опубликованного мета-анализа вокселя основе морфометрических исследований, которые исследовали аномалии серого вещества у пациентов с обсессивно-компульсивным расстройством (ОКР)4. Тем не менее, мы будем использовать не методы, используемые в том, что ранний мета-анализ, но вышеупомянутые современные процедуры. Читатель может скачать программное обеспечение и эти данные с нашего сайта(http://www.sdmproject.com/),чтобы повторить анализ.
Все исследователи, которые стремятся провести мета-анализ воксел на основе нейровизуализации исследований могут следовать этому протоколу. Метод может быть использован при функциональной магнитно-резонансной томографии (МРТ, например, BOLD ответ на стимул)16, воксель основе морфометрии (VBM, например, объем серого вещества)17, диффузии тензор изображения (DTI, например, дробная анизотропия)18, позиция эмиссионной томографии (ПЭТ, например, рецепторов занятости)19 и поверхностных исследований на основе морфомерии (SBM, e.
Protocol
1. Установка SDM-PSI
- Перейти к https://www.sdmproject.com/software/, чтобы загрузить версию SDM-PSI для операционной системы компьютера в качестве файла ЗИП.
- Распаковка файла ЗИП. Чтобы избежать проблем, распакуйте ее в локальной папке без пробелов на пути.
- Нажмите на файл SdmPsiGui, чтобы выполнить графический интерфейс SDM-PSI, и закройте окно About splash, которое автоматически откроется.
- Если SdmPsiGui не найдет все необходимые пути, он автоматически предложит отобразить окно предпочтений. Пресс Да.
- Если MRICron не установлен в компьютере, перейдите https://www.nitrc.org/frs/?group_id=152 скачать версию для операционной системы компьютера в виде файла зип, и распаковать файл.
- В вкладке просмотра мозга окна предпочтений, убедитесь, что мозг зритель установлен на MRICron, и нажмите значок папки рядом с мозгом зрителя исполняемых, чтобы найти MRICron исполняемым.
- Убедитесь, что все оставшиеся пути в разных вкладках имеют синие метки, указывающие на то, что пути верны.
- В случае, если SdmPsiGui не отображает автоматически окно предпочтений, перейдите в меню Tools и нажмите «Настройки».
- Во вкладке Multithreading укажите количество одновременных потоков для использования в расчетах. Некоторые расчеты SDM-PSI занимают очень много времени (от нескольких часов до дней) и потребляют большое количество оперативной памяти (от сотен мегабайт до гигабайт). Использование нескольких потоков (параллельная обработка) существенно сокращает время, но увеличивает используемую память.
- Закройте окно предпочтений и SdmPsiGui.
2. Мета-анализ ный план
- Укажите точный вопрос. Например, "у пациентов с ОКР есть региональные аномалии объема серого вещества?".
- Напишите четкие критерии включения, которые позволяют систематически включить исследования. Например, "все исследования, которые выполняются весь мозг воксель основе сравнения объема серого вещества между лицами с ОКР и здорового контроля".
- Напишите четкие критерии исключения, которые позволяют систематически исключать те исследования, которые не могут или не должны быть включены по конкретным причинам. Например, "исследования с менее чем 10 пациентами, дублированные наборы данных или исследования, из которых необходимая информация не может быть извлечена".
- Запишите данные для извлечения из каждого исследования. Следующий список включает рекомендуемые данные (некоторые из них не являются строго обязательными, но их отсутствие приведет к обнищанию мета-анализа):
- Идентификация исследования.
- Размеры выборки.
- Уровень статистической значимости, который является t-значение, z-значение или р-значение, используемое в исследовании, чтобы определить, какие воксели были статистически значимыми.
- Программное обеспечение и стереотаксическом пространстве. См. Таблицу 1 для списка программных пакетов и стереотактических пространств, понятных SDM-PSI.
- Координаты и высота пиков. Высота пика - это его t-значение или z-значение, но p-значение также полезно.
- Переменные, которые будут использоваться для описания образцов или для проведения анализа подгрупп или мета-регрессий.
- Чтобы повысить качество обзора, рассмотрим следующие "Десять простых правил для нейровизуализации мета-анализа"20 и PRISMA контрольный список21.
- Чтобы повысить прозрачность обзора, рассмотрите возможность заранее зарегистрировать протокол в общедоступной базе данных, такой как PROSPERO(https://www.crd.york.ac.uk/PROSPERO/).
3. Исчерпывающий поиск
- Выберите набор ключевых слов, которые позволят найти любое исследование, которое может соответствовать критериям включения. Например, ключевыми словами могут быть "обсессивно-компульсивное расстройство" плюс "морфометрия", "воксель на основе" или "voxelwise".
- Проведите поиск по базам данных, таким как PubMed и Web of Science:
- Перейти на веб-сайт базы данных, например, https://www.ncbi.nlm.nih.gov/pubmed/ для PubMed.
- Введите поисковый запрос. В примере мета-анализа, запрос может быть "обсессивно-компульсивное расстройство" и ("морфометрия" или "воксель основе" или "voxelwise"). В этом запросе оператор "AND" означает, что исследования должны иметь все ключевые слова, оператор "OR" означает, что исследования должны иметь по крайней мере одно из ключевых слов, а скобки указывают порядок этих логических операций. Таким образом, извлеченные исследования должны иметь ключевое слово "обсессивно-компульсивное расстройство" и по крайней мере одно из ключевых слов "морфометрия", "воксель основе" или "voxelwise". Обратите внимание, что возможны и другие стратегии.
- Применяйте критерии включения/исключения. Например, из результатов, предоставленных базами данных, выберите только статьи, которые анализируют различия в объеме серого вещества между пациентами с обсессивно-компульсивным расстройством и контролирует выполнение общемозговых вокселей основе морфхометрии исследований, и отказаться от исследований, включая менее 10 пациентов и исследований, которые повторно проанализировали ранее опубликованные данные.
- Чтобы повысить полноту поиска, рассмотреть вопрос о проведении ручного поиска по ссылки работ в выбранных исследованиях.
- Чтобы максимально включить исследования и избежать неопределенности в сборе данных, подумайте о том, чтобы связаться с соответствующими авторами, чтобы запросить какие-либо недостающие или неясные данные.
- Запишите количество извлеченных исследований и количество исследований, исключенных по каждой причине. С этими числами рассмотрим возможность создания диаграммы потока PRISMA21.
4. Сбор данных
- Для каждого включенного исследования, прочитайте рукопись, чтобы найти конкретные данные для извлечения.
- Сохранение данных из исследований систематически, например, ввод данных в предварительно отформатированных файлах электронных таблиц. Чтобы свести к минимуму ошибки в водах, рассмотрите возможность копирования и вставки числа процентов и перепроверки сохраненных данных.
- Когда уровень статистической значимости неясен, рассмотрите следующие следующие рекомендации:
- Если рукопись сообщает пики, полученные с использованием двух уровней статистической значимости всего мозга, например, p-value qlt; 0.001 без коррекции для нескольких сравнений (отныне , "неисправленный порог") и частота ошибок семейного (FWER) злт; 0,05 (отныне " исправленный порог"), выберите неисправленный порог и включите все пики, полученные с помощью этого неисправленного порога. Причина, по которой следует предпочесть неисправленный порог, заключается в том, что исследования обычно получают больше пиков, применяющих неисправленный порог, и SDM оценивает карты более точно, если у него есть информация из большего числа пиков.
- Если рукопись сообщает о пиках, полученных с использованием неисправленного порога для увеличения и скорректированного порога для уменьшения (или наоборот), выберите неисправленный порог, но включите только пики, полученные с помощью скорректированного порога. Это консервативное приближение, поскольку оно может отбросить некоторые пики, полученные с помощью неисправленного порога. Примером такой ситуации может быть, когда в рукописи говорится что-то вроде "мы обнаружили FWER-исправленные большие объемы серого вещества в некоторых регионах, в то время как мы не обнаружили меньший объем серого вещества в любом регионе, даже используя неисправленное значение p-value slt; 0.001".
- Если авторы применили кластерную статистику, используйте кластерообразующий порог высоты. Это консервативное приближение, потому что некоторые воксели, возможно, были t-значения выше порога, но авторы отбрасывают их, потому что их кластеры не были достаточно большими.
- Если в рукописи не указывается порог, используйте несколько меньшее значение, чем t-значение наименьшего пика. Причина использования этого значения заключается в том, что если бы авторы применили этот порог статистической значимости, не требуя минимального размера для кластеров, они нашли бы те же пики.
- При записи пиковой информации делают следующее:
- Исключите пики, полученные с использованием порога статистической значимости, который является более либеральным, чем порог, выбранный для остальной части мозга. Примером такой ситуации является, когда авторы применили более либеральные пороги или небольшие корректировки объема к некоторым априори областям мозга.
- Преобразование z-значений и p-значений в t-значения. Нажмите кнопку Преобразование пиков в программном обеспечении SDM-PSI, чтобы преобразовать их легко. Кроме того, преобразуйте их в тот же файл таблицы (например, "T.INV(1-0.001,34)" для p-значения 0,001 и 34 степени свободы; степени свободы являются суммой размеров выборки минус количество параметров, которые в двух образец сравнения два с лишним числа ковариатов, используемых в первоначальном сравнении).
- Используйте положительные значения t для пиков увеличения (например, активации) и отрицательных t-значений для пиков снижения (например, деактивации). Смотрите таблицу 2 для руководства о том, как определить знак t-значений.
ПРИМЕЧАНИЕ: Мы получили информацию из исследований "Heuvel" и "Soriano-Mas" после личного общения.
5. Введение данных в СДМ-PSI
- Откройте SdmPsiGui и закройте окно о всплеске (избегайте нажатия клавиши при его закрытии).
- Нажмите кнопку мета-анализа изменений в верхней левой части графического интерфейса, чтобы выбрать каталог для мета-анализа (любой новый пустой каталог по выбору будет делать).
- Нажмите на кнопку SDM-редактор таблицы для ввода общей информации из исследований, включая их идентификацию (колонка "исследование"), их размеры выборки (столбцы "n1" и "n2"), t-значение, которое они использовали в качестве статистических пороговых значений (колонка "t_thr") и другие потенциальные переменные для проведения анализа подгрупп или мета-регрессии.
- В выбранном каталоге создайте текстовый файл для каждого исследования с координатами и t-значением каждого пика:
- Откройте текстовый редактор для создания текстового файла, названного как «идентификация исследования» ( «.» — «программное обеспечение» («программное обеспечение») — «стереотаксионное пространство» («.txt». Например, для исследования "Кармона", которое проводилось с Помощью SPM и сообщает координаты в пространстве MNI, название текстового файла должно быть "Carmona.spm_mni.txt". Если исследование не имеет пиков, программное обеспечение и стереотаксическом пространстве можно заменить на "no_peaks".
- Напишите координаты и t-значение каждого пика в разных рядах. Например, первые строки текстового файла "Carmona.spm_mni.txt" должны быть:
40,39,21,-5.14
53,27,21,-3.77
56,23,20,-3.63
6. Предварительная обработка
- Нажмите на кнопку Preprocessing в левом меню бар, выберите модальность исследований в поле списка помечены "Модальность" и нажмите OK. В примере мета-анализа, модальность "VBM - серое вещество".
- Подождите (несколько минут), в то время как SDM-PSI вычисляет карты нижних и верхних границ потенциальных размеров эффекта. SdmPsiGui покажет четыре панели прогресса, отображающие состояние выполнения и ожидаемое оставшееся время для текущего процесса. Во время расчетов цвет круга рядом со "Статусом обработки" будет желтым и будет меняться на зеленый, если выполнение завершится успешно, или на красный, если он не удается.
7. Основной анализ
- Нажмите кнопку «Средняя» в левом баре меню и нажмите OK.
- Подождите (несколько минут), в то время как SDM-PSI проводит многократный вычисление и мета-анализ(рисунок 1).
- Нажмите кнопку «Порог» в левом наборе инструментов меню, выберите неисправленные p-значения основного анализа («MyTest_uncorrp» по умолчанию) и нажмите OK. SDM-PSI автоматически откроет как MRICron, так и веб-страницу с подробным отчетом о них.
- Нажмите кнопку коррекции FWE в левом наборе инструментов меню, выберите основной анализ в поле списка ("MyTest" по умолчанию) и нажмите OK.
- Подождите (несколько часов или даже дней), в то время как SDM-PSI проводит тест на перестановку.
- Нажмите кнопку «Порог» в левом наборе инструментов меню, выберите TFCE-коррекцию основного анализа («MyTest_corrp_tfce» по умолчанию) и нажмите OK. SDM-PSI автоматически откроет как MRICron, так и веб-страницу с подробным отчетом о них.
8. Неоднородность, предвзятость публикаций и классификация
- Нажмите кнопку Extract в левом наборе инструментов меню, выберите пик из основного анализа ("MyTest_z_p_0.05000_10_neg_peak1" по умолчанию) и нажмите OK. SDM-PSI автоматически откроет веб-страницу со статистикой этого пика. Запишите неоднородность I2 статистики.
- Нажмите кнопку Bias Test в левом наборе инструментов меню, выберите пик из основного анализа ("MyTest_z_p_0.05000_10_neg_peak1" по умолчанию) и нажмите OK. SDM-PSI автоматически откроет веб-страницу с графиком воронки и результатами теста на эффект малого исследования и тест на избыточное значение. Первый тестирует, есть ли асимметрия в участке воронки (т.е. больший размер эффекта в небольших исследованиях), что может указывать на то, что небольшие исследования публикуются только в том случае, если они находят большие размеры эффекта или другие источники предвзятости. Последний проверяет, является ли число исследований со статистически значимыми результатами больше, чем ожидалось, что может свидетельствовать о том, что исследования публикуются только в том случае, если они найдут статистически значимые результаты или другие источники предвзятости.
- Нажмите кнопку оценки фактических данных из верхнего инструментария, выберите основной анализ ("MyTest" по умолчанию) из окна списка и нажмите OK. Через несколько секунд SDM-PSI автоматически откроет MRICron, чтобы показать классы доказательств.
Representative Results
Как показано на карте, открытой в MRICron при пороговом значении основного анализа(рисунок 2, шаг 7.6), пациенты с OCD имели статистически значительно меньший объем серого вещества в презаточной передней cingulate/medial лобной коре. Сопроводительный веб-страницы подробно, что кластер умеренно мал (143 воксели) и в основном расположен в районе Бродман 32, и что пик кластера находится на МНИ No 2, 32, 32 ", имеет z-значение -4,97 и FWER-скорректированный p-значение 0,01.
На веб-страницах, полученных в шагах 8.1 и 8.2, статистика I2 с низким i2 (1,5%) указывает на очень небольшую неоднородность, график воронки не показывает асимметрии(рисунок 3),и оба теста для эффекта малого исследования и тест на превышение значимости являются отрицательными. Тем не менее, доказательства меньшего объема серого вещества в предшествующей передней cingulate коры умеренно слабы, как показано на карте, открытой в MRICron при классификации доказательств, особенно из-за ограниченного объема данных.
Когда основной анализ был пороговым с использованием менее строгого уровня статистической значимости (шаг 7.3), пациенты также показали статистически значительно больший объем серого вещества в стриатуме и превосходной теменной извилине (неисправленные p-значения 0.00006 и 0.0002 соответственно), но доказательства этих аномалий следует считать более слабыми.
Рисунок 1: Основное окно графического пользовательского интерфейса SDP-PSI во время среднего исполнения. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.
Рисунок 2: Регионы статистически значительно меньше гостевых веществ у пациентов с обсессивно-компульсивным расстройством по сравнению с соответствующими здоровыми элементами управления.
Кластер статистической значимости охватывает 143 воксели, имеет свой пик в MNI (2,32,32) и включает в себя в основном дорсальный передний cingulate/medial frontal cortex, область Бродманна 32. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.
Рисунок 3: График воронки для пика скопления статистически значительно меньше гостем серого вещества объема в передней корицы. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.
| Пакеты программного обеспечения | Кодирование в SDM |
| Статистическое параметрическое картирование (SPM) | Spm |
| Библиотека программного обеспечения FMRIB (FSL) | Fsl |
| Другие пакеты | Других |
| Стереотаксическом пространстве | Кодирование в SDM |
| Монреальский неврологический институт (MNI) | Mni |
| Сырье Талайрах | Таль |
| MNI преобразуется в Talairach с помощью Бретт преобразования | Бретт |
Таблица 1: Список программных пакетов и стереотактических пространств, понятных SDM-PSI.
| t-значения должны быть положительными, когда: | t-значения должны быть отрицательными, когда: | |
| Однообразные мРТ-исследования | задача | задача Злт; базовый униза (деактивация) |
| Двухобразные исследования МРТ | пациенты , и контроль в задаче | пациенты злт; контроль в задаче |
| пациенты злт; элементы управления в задаче Злт; базовый униза (отказ от деактивации) | пациенты , и контроль в задаче lt; базовый (гипер-деактивации) | |
| Двухобразные исследования VBM / FA | пациенты | пациенты Злт; элементы управления (меньший объем / FA) |
Таблица 2: Знак t-значений пиков.
Discussion
Как было представлено ранее, большинство мета-аналитических методов на основе вокселя используют тест для сближения пиков, который имеет некоторые ограничения, а затем проводят двоичную классификацию доказательств исключительно на основе p-значений.
В этом протоколе мы подробно описали, как проводить мета-анализ на основе вокселя с использованием SDM-PSI, который имеет ряд положительных особенностей, включая стандартный тест на перестановку для оценки статистической значимости эффектов. Кроме того, мы показываем, как можно оценить силу доказательств с помощью набора критериев, выходящих за рамки двоичной классификации, которая опирается исключительно на один уровень статистической значимости.
Чтобы облегчить репликацию примера мета-анализа, мы предоставляем данные, уже извлеченные из рукописей из предыдущего мета-анализа. Интересно, что в рукописи этого мета-анализа, доказательства "кажется" сильнее, чем доказательства, которые мы нашли с обновленными методами. Поэтому мы предлагаем, чтобы несистематические оценки доказательств в предыдущих мета-анализах на основе вокселя были приняты с осторожностью.
Мы надеемся, что после этого протокола, нейровизуальных мета-анализов обеспечить более богатое и более granulate описание доказательств нейровизуализации выводы.
Disclosures
Авторам нечего раскрывать.
Acknowledgments
Эта работа была поддержана Мигелем Серветом Research Contract MS14/00041 и исследовательским проектом PI14/00292 от Плана Национального из-за 2013-2016 гг., Институт Салуд Карлос III-Subdireccion Генеральный де Evaluacion у Fomento де ла Investigacion, Европейский фонд регионального развития (FEDER), и PFIS Предокторальный контракт FI16/00311. Спонсоры не принимали никакого значения в разработке и проведении исследования; сбор, управление, анализ и интерпретация данных; подготовка, обзор или утверждение рукописи; и решение о представлении рукописи для публикации.
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).
