Nörogörüntüleme Veri kullanarak Hastalık ile ilgili Mekansal Kovaryans Desenler belirlenmesi

Bu prosedürün genel amacı, nörofonksiyonel beyin bozukluklarının imza Covance paterni görüntüleme biyobelirteçlerini belirlemektir. Bu, ilk olarak klinik olarak önceden teşhis edilmiş bir dizi hastanın tek hacimli beyin taramalarının elde edilmesiyle ve PET spect, A-S-L-F-M-R-I veya V-B-M-M-R-I gibi modaliteler kullanılarak yaş ve tercihen cinsiyetle eşleştirilmiş bir dizi normal kontrol elde edilerek gerçekleştirilir. İkinci adım, görüntüleri ortak bir stereotaktik şablona uzamsal olarak normalleştirmektir.

Sonra, çok değişkenli bir teknik. Temel bileşen analizi veya S-S-M-P-C-A'nın Ölçekli Alt Profil modeli gerçekleştirilir ve çıktı temel bileşenleri veya PC'ler ve bunlara karşılık gelen konu puanları incelenir. Son adım, hastaları kontrollerden ayıran bir Covance modeli tanımlayan en iyi PC'yi veya PC'lerin kombinasyonunu belirlemektir.

Sonuç olarak, Covance modeli, bireysel prospektif denekleri hastalığın ifadesine göre puanlamak için kullanılabilir. Bu yöntemin bazı popüler tek voksel karşılaştırmalı tekniklere göre avantajı, beyin ağlarının aktivitesini tanımlama ve ölçme yeteneğidir. Bunlar beyindeki dağıtılmış bölgesel Covance paternleridir.

En önemlisi, beyindeki belirli bir ağın aktivitesini ölçmeye ve klinik araştırma için önemli bir özellik olan tek bir sayı ile özetlemeye izin verir. Bu yöntem, hastalığın ilerlemesinin erken evrelerinde benzer semptomlar gösteren farklı nörolojik hastalıklar için metabolik ağların tanımlanması gibi sinirbilim alanındaki temel soruların yanıtlanmasına yardımcı olabilir. Bu tekniğin etkileri, Parkinson hastalığı gibi hastalıklar için hem ayırıcı tanı hem de tedavi planlamasına kadar uzanır, çünkü tek bir denek puanı elde edilebilir ve bu daha sonra ayırıcı tanı ve tedavi planlamasına uygulanabilir.

Bu yöntem Parkinson sendromları hakkında bilgi sağlayabilir. Avlanma hastalığı ve Alzheimer hastalığı gibi diğer nörodejeneratif bozukluklara da uygulanabilir. Genel olarak, bu yönteme yeni başlayan bireyler, hastalığın etkilerini izole bölgesel kümelerde lokalize olarak kabul eden önyargılı univa kavramlarıyla mücadele edeceklerdir.

Dr. James Moler, bu kavramı AIDS hastalarında demansı incelemek için uyguladığında bu yöntem fikrine ilk kez sahipti. Bu yöntemin görsel gösterimi, ağ analizinde yer alan süreçleri anlamak için önemlidir. Bununla birlikte, programlarımızı kullanmayla ilgili gerçek adımların öğrenilmesi zor değildir, çünkü bunlar son derece otomatiktir: Pozitron emisyon tomografisi veya PET kullanarak beyin metabolizmasını incelemek için önce hastalık grubundaki her hastaya 18 F floro, deoksi glikoz gibi bir radyonüklid izleyici uygulayın

İzleyicinin dokudaki dengeye ulaşması için 45 dakika bekleyin. Ardından, desen türetme için gözleri açık bir şekilde dinlenirken her bir bireyi tarayın. Tarama tamamlandıktan sonra eşit sayıda cinsiyet ve H uyumlu hastayı ve kontrolü tarayın.

Görüntü verilerini bir iş istasyonuna aktarın ve analiz için uygun bir formata dönüştürün. Burada kullanılan Windows tabanlı MATLAB analiz yazılımı, görüntüleri analiz etmek veya şık formatta analiz etmek için ge gelişmiş formatlardan dönüştürme gerektirir. Daha sonra, SPM gibi standart bir nörogörüntüleme yazılım paketi kullanarak her bir deneğin görüntüsünü ortak bir stereotaksik alana normalleştirin, böylece denekler arasında voksel değerlerinin bire bir yazışması olur.

Ardından, analizi gri madde alanlarıyla sınırlamak için normalleştirilmiş görüntüye bir gri madde maskesi uygulayın. Harici bir maske yoksa, belirtilen eşikten daha düşük değerleri dışlayarak tek tek konu maskeleri oluşturun. Her deneğin maksimum değerinin yüzdesi ve analiz için bileşik bir gri beyin maddesi voksel alanı tanımlamak için maskeleri çarpın.

Çok değişkenli ölçekli Alt Profil modeli ilke bileşen analizi veya S-S-M-P-C-A gerçekleştirmek için, Feinstein sinirbilim web sitesinde bulunan kurum içi rutin tarama VP'sini kullanın. İstatistiksel parametrik eşleme araç kutusu olarak da mevcut olan SSM PCA, tarama VP menüsünde, istatistikleri seçin. Ardından SSM, ardından voksel tabanlı ve ardından PCA.

Ardından, menüdeki kontrolleri seç'i işaretleyin ve önceden normalleştirilmiş kontrol görüntülerini seçin. Ardından normalleştirilmiş hasta görüntülerini girmek için görüntü dosyalarını seçin. Uygun bir maske veya eşik seçin ve menüdeki diğer seçenekleri kontrol edin.

Ardından işleme basın ve deneysel çıktı için bir ad girin. Ekranın, ilgilenilen temel bileşen görüntülerini, diğer yazılımlar için karşılık gelen puan dosyalarında görüntülemesini bekleyin. Az önce açıklanan otomatik işlem tarafından yürütülen algoritmayı taklit edin.

Bunu gerçekleştirmek için, ilk olarak, ön işleme adımında açıklandığı gibi, voksel boşluğunun beyaz madde ve ventriküller gibi istenmeyen alanlarını kaldırmak için mevcut bir sıfır bir görüntü maskesi kullanarak verileri maskeleyin. Ardından, her bir deneğin verileri matrisin belirli bir satırına karşılık gelecek şekilde ardışık düzlemlerden sıralı tarama çizgileri ekleyerek grup veri matrisini oluşturarak her bir öznenin 3B maskelenmiş görüntü tilki deliği verilerini bir sürekli satır vektörüne dönüştürün. Her sütun daha sonra konular arasında belirli bir vokseli temsil eder.

Her konu matrise yüklendikten sonra, her veri girişini logaritmik forma dönüştürün. Ardından, satır öğelerinden her satır ortalamasını veya konu ortalamasını çıkararak veri matrisini ortalayın. Ortalanmış tüm satırların ortalaması, karakteristik bir grubu, ortalama günlük görüntüsünü, terimden gruba, ortalama profili veya GMP'yi temsil eder.

Ardından, sütun araçlarını karşılık gelen matris sütun elemanlarından çıkarın. Çift merkezli matrisin her satırı, öğeleri hem konu S hem de voksel V grubundan sapmaları temsil eden bir konu kalıntı profili veya SRP olarak adlandırılan bir artık görüntüyü temsil eder, bu da burada gösterilen denkleme göre gerçekleşir, burada S-R-P-S-V, konu S ve voksele karşılık gelen SRP matrisinin bir elemanıdır. VDSV, orijinal veri değeri ortalamasıdır, S konu ortalama değeridir ve GMPV, voksel V'nin grup ortalama değeridir.Ardından, konu artık profil matrisinin her bir satır çifti arasındaki normalleştirilmemiş Covance'ı hesaplayarak kompozit çift merkezli SRP veri matrisinin konu Covance matrisi C'ye göre konuyu oluşturun.

CIJ'nin simetrik Covance, matris C ve c'nin bir elemanı olduğu burada gösterilen bu denklemi kullanarak, RRP IV ve CRP JV, CRP matrisi gül INJ'nin tüm vokseller üzerinde çarpılan ve toplanan karşılık gelen voksel elemanlarıdır. Daha sonra konuya konu Covance matrisi C ile temel bileşen analizi uygulayın.Sonuçlar, ilişkili egen değerlerine sahip bir dizi konu puanı egen vektörü olacaktır. Daha sonra, her vektörü karşılık gelen egen değerinin karekökü ile çarparak ağırlıklandırın.

Skor özvektörleri kümesi, burada gösterilen S matrisinin sütunları ile temsil edilir. Daha sonra, skor vektör matrisini konu artık profil matrisinin devrikliği ile çarparak aynı egen değerleri kümesi için voksel egen vektörlerini belirleyin. Bu, burada gösterilen denkleme göre egen değerlerinin azalan bir düzeninde egen vektörleri olan bir voksel deseni P dizisi oluşturur, burada P, temel bileşen voksel egen vektörlerinin matrisidir.

SRPT, SRP matrisinin devrik halidir ve S, skor vektör matrisidir, ardından her vektörü bir temel bileşen görüntüsüne dönüştürün. Her bir temel bileşen görüntüsü, hesaplanan toplam varyansın bir yüzdesine veya igon değerinin göreceli boyutuna karşılık gelen VAF'ye atfedilir. Yüksek hesaplanan değerlerle ilişkili desenleri belirlemek için temel bileşen analizinin sonuçlarını inceleyin.

Voksel örüntü vektörleri ve skorları, değerleri ortalama değerlerden pozitif ve negatif standart sapmaları temsil edecek şekilde Z dönüştürülür. Daha sonra, çalışılan hastalıkla ilişkili bölgesel sapmaları belirlemeye çalışın. Ardından, her bir temel bileşen modeline karşılık gelen puanların dağılım grafiklerini inceleyin.

Hastalığa özgü bir modeli tanımlamak için isteğe bağlı bir alıcı işletim karakteristik grafiği de oluşturulabilir. Karşılık gelen iki örnek T testinin P değerlerini ve eğri değerlerinin altındaki alanı inceleyerek hastalar ve kontroller arasındaki denek puanlarının farklılaşmasını değerlendirin. Sonraki vektör, hastalıkla ilgili tek bir model elde etmek için seçilen temel bileşenleri normalleştirir ve doğrusal olarak birleştirir.

Bunu başarmak için, MATLAB işlevi, GLM uyumu, konu puanlarına uygulanan lojistik veya diğer regresyon modellerine dayalı katsayıları belirlemek için kullanılır. Bir biyobelirteç paterni tanımlandıktan sonra, o bireyin taramasından olası bir denekte skor ifadesini değerlendirebilirsiniz, bu işlem menüde TPR tarafından gerçekleştirilir. Bunu başarmak için, deneğin SRP vektörünün ve GIS model vektörünün dahili nokta vektör ürününün basit bir hesaplamasını kullanın.

Son olarak, harici yazılım kullanarak önyükleme yeniden örneklemesi ve bağımsız denek gruplarının ileriye dönük doğrulaması ile ortaya çıkan potansiyel model biyobelirtecini daha fazla doğrulayın. İleriye dönük doğrulama, olası bir kohortun puanlarını belirlemek için TPR kullanılarak kolaylaştırılır. Burada, klinik olarak teşhis edilmiş 10 Parkinson hastalığı hastasının SSM analizinin ilk dört temel bileşen görüntüsünün kökeni boyunca 10 yaş ve cinsiyet eşleştirilmiş kontrol ile eksenel görüntüler gösterilmektedir.

Sıcak renkler, metabolik aktivitedeki nispi artışları gösterir. Bu prensip dahilinde, bileşenin genel konu kalıntı profiline katkısı azalırken, soğuk renkler göreceli metabolik azalmaları gösterir. Birinci temel bileşen, hesaplanan en büyük varyansa veya VAF değerine ve yüksek önemi temsil eden en küçük P değerine sahipti ve tek başına potansiyel bir bağımsız biyobelirteç olarak kabul edilebilecek tek bileşendir.

Genel modele katkıda bulunan önemli varyasyon bölgeleri, ortogonal görünümlerde görüntülendiğinde belirgindir Bir MRG yapısal görüntü arka planı üzerinde, temel bileşenlerin kombinasyonu, bir ve dördüncü bileşenlerin durumunda olduğu gibi, önemi artırmak için kullanılabilir, burada birleştirildiğinde P değeri daha yüksek anlamlılık önerir. Bu grafikler, yalnızca birinci temel bileşen ve dördüncü ilke bileşeninin türetme konusu Z puanlarının bağımsız çubuk grafiklerini ve dağılım grafiklerini gösterir. İlk prensip bileşeni, hastaları kontrollerden önemli ölçüde ayırır.

Dördüncüsü bir eğilim gösterirken. Birinci bileşen ve dördüncü ilkenin doğrusal lojistik kombinasyonu, ayrımcılığı geliştirir. Daha önce belirtildiği gibi, birleşik model 0,9'luk bir Z skoru eşiğinde mükemmel bir ayrım gösterir.

Üçüncü temel bileşenin birleştirilmesi, bir ve dördün kombinasyonuna göre biraz daha fazla ayrımcılık göstermektedir, ancak dört temel bileşenin tümü, ilkenin ayrım yapmama kapasitesi nedeniyle veri ayrımcılığını iyileştirmemiştir. Parça. İki, 22 normal kontrol ve 22 PD hastası için birinci ve dördüncü temel bileşenler bir, üç ve dört temel bileşenlerin birleşik kalıpları ve 1, 2, 3 ve dört temel bileşenleri için paternlerin prospektif skor değerlendirmesi burada gösterilmektedir. Eğri değerlerinin ve hassasiyetin altındaki alan, ikiden fazla birleşik temel bileşen için azalıyor gibi görünmektedir.

P değerleri daha az sağlam olma eğilimindeyken, PC one four için tek başına PC one için UC ve P değerlerinde önemsiz bir gelişme kaydedilmiştir. Türev örneğinde tahmin edilen önemli farkın aksine. Bir hastalığı olan hastalardan ve kontrol deneklerinden alınan taramalar, gerçekçi ve geçerli hastalık paternlerinin tanımlanması ve doğrulanması gerektiğinde, bu algoritmayı kullanarak basit bir prosedür haline gelir Hastalık paternleri tanımlandıktan ve doğrulandıktan sonra, hasta skorlarının bağımsız klinik ölçümlerle korelasyon analizi gibi diğer yöntemler ek soruları yanıtlamak için kullanılabilir.

Örneğin, görüntüleme biyobelirtecinin hastalığın motor ve/veya bilişsel belirtilerini yansıtıp yansıtmadığı veya hastalık paternlerinin ifadelerinin, teşhis edilmesi zor klinik vakalarda benzer semptomlar gösteren farklı durumlar arasında ayrım yapmaya yardımcı olup olmadığı. Unutmayın, bu prosedür, FMRI sinyalleriyle ilişkili yanıttaki dinamik dalgalanmalar ve düşük sinyal-gürültü oranı nedeniyle zaman serisi fonksiyonel MRI verilerine doğrudan uygulanamaz.