Method Article

Nörogörüntüleme Veri kullanarak Hastalık ile ilgili Mekansal Kovaryans Desenler belirlenmesi

DOI:

10.3791/50319

⸱

June 26th, 2013

 ,  ,  ,  ,  ,  , 
1Center for Neurosciences, The Feinstein Institute for Medical Research

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

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

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

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

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Veri Toplama ve Ön işleme

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

2. Çok değişkenli SSM / PCA yapın

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

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

3. Desen Biomarker Derivasyon

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

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

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

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Çok değişkenli SSM / PCA analizi basit bir uygulama PD için bir beyin görüntüleme biyolojik desen elde etmek için aşağıda gösterilmiştir. On PET FDG görüntüleri klinik değişken hastalıklı süresi Parkinson hastalarında (6M/4F, 59y ± 7y SD) (9y ± 5y SD) tanısı ve on yaş ve cinsiyet normal kontrolde (6M/4F, 58y ± 7y SD) kullanılarak analiz edildi bizim ssmpca rutin. Yirmi gelen mekansal öncesi normalize görüntüleri başlangıçta varsayılan maskesi (Şekil 3) ile birlikte kategoriler hastalık konular ...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

SSM / PCA model başlangıçta Moeller ve arkadaşları tarafından sunulan. 4 beyin görüntüleme verilerinin analizi için basit ve sağlam teknik içine 1-3 gelişti. Ancak, burada ve daha önceki yayınlarda 5-7,10 içinde netleştirmek için çalıştığınız bu metodolojinin uygulama belirsizlikler olmuştur. Bu konulardan bazıları metinde ele alınmıştır ama nedeniyle önemi burada yeniden vurguladı vardır. Giriş ayrıntılı olarak, SSM / PCA devlet FDG PET veri dinlenme öncelikle etkilidir, aynı z...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Image Acquisition
PET TarayıcıGE Medical SystemsGE, GE, Siemens ve Philips PC İş İstasyonlarından Herhangi Bir PET, PET/CT ve PET/MRI Tarayıcısını Geliştiriyor
LenovoAnyhttp://www.lenovo.com/us/en/
Radyofarmasötikler
[18F]-florodeoksiglukozFeinstein Tıbbi Araştırma EnstitüsüRutin ÜretimCardinal Health tarafından da dağıtılır http://www.cardinal.com/
Software
ScanVPFeinstein Tıbbi AraştırmaEnstitüsüSürüm 5.9.1, Sürüm 6.2, Yayınlanacakwww.feinsteinneuroscience.org
SPMUCL Nöroloji Enstitüsüspm99-spm8http://www.fil.ion.ucl.ac.uk/spm
WindowsHerhangi
MatlabMathworks MatlabSürüm 7.0, 7.3http://www.mathworks.com/
JMPSASSürüm 5http://www.jmp.com/

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Moeller, J. R., Strother, S. C. A regional covariance approach to the analysis of functional patterns in positron emission tomographic data. J. Cereb. Blood Flow Metab. 11 (2), 121-135 (1991).
  2. Alexander, G. E., Moeller, J. R. Application of the scaled subprofile model to functional imaging in neuropsychiatric disorders: A principal component approach to modeling brain function in disease. Hum. Brain Mapp. 2, 1-16 (1994).
  3. Habeck, C. G. Basics of multivariate analysis in neuroimaging data. J. Vis. Exp. (41), e1988(2010).
  4. Moeller, J. R., Strother, S. C., Sidtis, J. J., Rottenberg, D. A. Scaled subprofile model: a statistical approach to the analysis of functional patterns in positron emission tomographic data. J. Cereb. Blood Flow Metab. 7 (5), 649-658 (1987).
  5. Spetsieris, P. G., Eidelberg, D. Scaled subprofile modeling of resting state imaging data in Parkinson's disease: methodological issues. Neuroimage. 54 (4), 2899-2914 (2011).
  6. Dhawan, V., Tang, C. C., Ma, Y., Spetsieris, P., Eidelberg, D. Abnormal network topographies and changes in global activity: Absence of a causal relationship. Neuroimage. 63 (4), 1827-1832 (2012).
  7. Eidelberg, D. Metabolic brain networks in neurodegenerative disorders: a functional imaging approach. Trends Neurosci. 32 (10), 548-557 (2009).
  8. Habeck, C., Foster, N. L., et al. Multivariate and univariate neuroimaging biomarkers of Alzheimer's disease. Neuroimage. 40 (4), 1503-1515 (2008).
  9. Efron, B., Tibshirani, R. An introduction to the bootstrap. , CRC Press, LLC. New York. (1994).
  10. Ma, Y., Tang, C., Spetsieris, P., Dhawan, V., Eidelberg, D. Abnormal metabolic network activity in Parkinson's disease: test-retest reproducibility. J. Cereb. Blood Flow & Metab. 27 (3), 597-605 (2007).
  11. Ma, Y., Eidelberg, D. Functional imaging of cerebral blood flow and glucose metabolism in Parkinson's disease and Huntington's disease. Mol. Imaging Biol. 9 (4), 223-233 (2007).
  12. Tang, C. C., Poston, K. L., et al. Differential diagnosis of parkinsonism: a metabolic imaging study using pattern analysis. Lancet Neurol. 9 (2), 149-158 (2010).
  13. Spetsieris, P. G., Ma, Y., Dhawan, V., Eidelberg, D. Differential diagnosis of parkinsonian syndromes using PCA-based functional imaging features. Neuroimage. 45 (4), 1241-1252 (2009).
  14. Tang, C. C., Poston, K. L., Dhawan, V., Eidelberg, D. Abnormalities in metabolic network activity precede the onset of motor symptoms in Parkinson's disease. J. Neurosci. 30 (3), 1049-1056 (2010).
  15. Mure, H., Hirano, S., et al. Parkinson's disease tremor-related metabolic network: characterization, progression, and treatment effects. Neuroimage. 54 (2), 1244-1253 (2011).
  16. Niethammer, M., Eidelberg, D. Metabolic brain networks in translational neurology: concepts and applications. Ann. Neurol. , (2012).
  17. Petersson, K. M., Nichols, T. E., Poline, J. B. Statistical limitations in functional neuroimaging. I. Non-inferential methods and statistical models. Philos. Trans. R. Soc. Lond. B. Biol. Sci. 354 (1387), 1239-1260 (1999).
  18. Habeck, C., Stern, Y. Multivariate data analysis for neuroimaging data: overview and application to Alzheimer's disease. Cell Biochem. Biophys. 58 (2), 53-67 (2010).
  19. McKeown, M. J., Hansen, L. K., Sejnowsk, T. J. Independent component analysis of functional MRI: what is signal and what is noise. Current Opinion in Neurobiology. 13 (5), 620-629 (2003).
  20. Stone, J. V. Independent component analysis: an introduction. Trends Cogn. Sci. 6 (2), 59-64 (2002).
  21. McIntosh, A. R., Bookstein, F. L., Haxby, J. V., Grady, C. L. Spatial pattern analysis of functional brain images using partial least squares. Neuroimage. 3 (3 Pt. 1), 143-157 (1996).
  22. Habeck, C., Krakauer, J. W., et al. A new approach to spatial covariance modeling of functional brain imaging data: ordinal trend analysis. Neural Comput. 17 (7), 1602-1645 (2005).
  23. Habeck, C., Moeller, J. R. Intrinsic functional-connectivity networks for diagnosis: just beautiful pictures. Brain Connect. 1 (2), 99-103 (2011).
  24. Huang, C., Tang, C., et al. Changes in network activity with the progression of Parkinson's disease. Brain. 130, 1834-1846 (2007).
  25. Feigin, A., Tang, C., et al. Thalamic metabolism and symptom onset in preclinical Huntington's disease. Brain. 130, 2858-2867 (2007).
  26. Poston, K. L., Tang, C. C., et al. Network correlates of disease severity in multiple system atrophy. Neurology. 78 (16), 1237-1244 (2012).
  27. Biswal, B., Yetkin, F. Z., Haughton, V. M., Hyde, J. S. Functional connectivity in the motor cortex of resting human brain using echo-planar MRI. Magnetic Resonance in Medicine: Official Journal of the Society of Magnetic Resonance in Medicine / Society of Magnetic Resonance in Medicine. 34 (4), 537-541 (1995).
  28. Greicius, M. D., Krasnow, B., Reiss, A. L., Menon, V. Functional connectivity in the resting brain: a network analysis of the default mode hypothesis. Proceedings of the National Academy of Sciences of the United States of America. 100 (1), 253-258 (2003).
  29. Friston, K. J., Frith, C. D., Liddle, P. F., Frackowiak, R. S. Functional connectivity: the principal component analysis of large (PET) data sets. J. Cereb. Blood Flow Metab. 13, 5-14 (1993).
  30. Strother, S. C., Kanno, I., Rottenberg, D. A. Commentary and opinion: I. Principal component analysis, variance partitioning, and "functional connectivity". Journal of Cerebral Blood Flow and Metabolism: Official Journal of the International Society of Cerebral Blood Flow and Metabolism. 15 (3), 353-360 (1995).
  31. Ekstrom, A. How and when the fMRI BOLD signal relates to underlying neural activity: the danger in dissociation. Brain Research Reviews. 62 (2), 233-244 (2010).
  32. Logothetis, N. K. What we can do and what we cannot do with fMRI. Nature. 453 (7197), 869-878 (2008).
  33. Lin, T. P., Carbon, M., et al. Metabolic correlates of subthalamic nucleus activity in Parkinson's disease. Brain. 131 (Pt. 5), 1373-1380 (2008).
  34. Hirano, S., Asanuma, K., et al. Dissociation of metabolic and neurovascular responses to levodopa in the treatment of Parkinson's disease. J. Neurosci. 28 (16), 4201-4209 (2008).
  35. Feigin, A., Antonini, A., et al. Tc-99m ethylene cysteinate dimer SPECT in the differential diagnosis of parkinsonism. Mov. Disord. 17 (6), 1265-1270 (2002).
  36. Eckert, T., Van Laere, K., et al. Quantification of Parkinson's disease-related network expression with ECD SPECT. Eur. J. Nucl. Med. Mol. Imaging. 34 (4), 496-501 (2007).
  37. Ma, Y., Huang, C., et al. Parkinson's disease spatial covariance pattern: noninvasive quantification with perfusion MRI. J. Cereb. Blood Flow Metab. 30 (3), 505-509 (2010).
  38. Melzer, T. R., Watts, R., et al. Arterial spin labelling reveals an abnormal cerebral perfusion pattern in Parkinson's disease. Brain. 134 (Pt. 3), 845-855 (2011).
  39. Skidmore, F., Spetsieris, P., et al. Diagnosis of Parkinson's disease using resting state fMRI. 15th International congress of Parkinson's disease and movement disorders, , LB22(2011).
  40. Peng, S., Wu, T., et al. A comparison study of Parkinson's disease-related patterns between FDG PET and fMRI at rest state. Neuroimage. 61, Suppl 1. 5610(2012).
  41. Brickman, A. M., Habeck, C., Zarahn, E., Flynn, J., Stern, Y. Structural MRI covariance patterns associated with normal aging and neuropsychological functioning. Neurobiol. Aging. 28 (2), 284-295 (2007).
  42. Bergfield, K. L., Hanson, K. D., et al. Age-related networks of regional covariance in MRI gray matter: reproducible multivariate patterns in healthy aging. Neuroimage. 49 (2), 1750-1759 (2010).
  43. Steffener, J., Brickman, A. M., Habeck, C. G., Salthouse, T. A. Cerebral blood flow and gray matter volume covariance patterns of cognition in aging. Human Brain Mapping. , (2012).
  44. Cangelosi, R., Goriely, A. Component retention in principal component analysis with application to cDNA microarray data. Biol. Direct. 2, 2(2007).
  45. Akaike, H. A new look at the statistical model identification. IEEE Transactions on Automatic Control. 19 (6), 716-723 (1974).
  46. Eidelberg, D., Moeller, J. R., et al. Assessment of disease severity in parkinsonism with fluorine-18-fluorodeoxyglucose and PET. J. Nucl. Med. 36 (3), 378-383 (1995).
  47. Ma, Y., Tang, C., Moeller, J. R., Eidelberg, D. Abnormal regional brain function in Parkinson's disease: truth or fiction. Neuroimage. 45 (2), 260-266 (2009).
  48. Habeck, C., Steffener, J., Rakitin, B., Stern, Y. Can the default-mode network be described with one spatial-covariance network. Brain Res. 1468, 38-51 (2012).
  49. Joliffe, I. T. Principal Components Analysis. Springer Series in Statistics. , 2nd edition, Springer-Verlag. New York. (2002).
  50. Limpert, E., Stahel, W. A., Abbt, M. Log-normal distributions across the sciences: keys and clues. BioScience. 51 (5), 341-352 (2001).
  51. Huang, C., Mattis, P., et al. Metabolic abnormalities associated with mild cognitive impairment in Parkinson disease. Neurology. 70 (16 Pt. 2), 1470-1477 (2008).
  52. Mattis, P. J., Tang, C. C., Ma, Y., Dhawan, V., Eidelberg, D. Network correlates of the cognitive response to levodopa in Parkinson disease. Neurology. 77 (9), 858-865 (2011).
  53. Feigin, A., Kaplitt, M. G., et al. Modulation of metabolic brain networks after subthalamic gene therapy for Parkinson's disease. Proc. Natl. Acad. Sci. U.S.A. 104 (49), 19559-19564 (2007).
  54. Mure, H., Tang, C. C., et al. Improved sequence learning with subthalamic nucleus deep brain stimulation: evidence for treatment-specific network modulation. The Journal of Neuroscience: The Official Journal of the Society for Neuroscience. 32 (8), 2804-2813 (2012).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Scaled Subprofile ModelPrincipal Component AnalysisSpatial Covariance PatternsDisease related BiomarkersNeuroimaging Data AnalysisVoxel by voxel CovarianceLogistic Regression AnalysisBootstrap ResamplingForward ValidationParkinson Disease

Related Articles