היסודות של ניתוח רב משתני של נתונים הדמייה

Neuroscience
JoVE Journal
Neuroscience
AccessviaTrial
 

Summary

המאמר הנוכחי מתאר את היסודות של ניתוח רב משתני וניגודים אותו לניתוח voxel חכם יותר נפוץ univariate. שני סוגי ניתוח מוחלים על סט נתונים קליניים, מדעי המוח. לפצל וחצי סימולציות משלים להראות שכפול טוב יותר את התוצאות של ערכות נתונים משתנים בלתי תלויים.

Cite this Article

Copy Citation | Download Citations | Reprints and Permissions

Habeck, C. G. Basics of Multivariate Analysis in Neuroimaging Data. J. Vis. Exp. (41), e1988, doi:10.3791/1988 (2010).

Please note that all translations are automatically generated.

Click here for the english version. For other languages click here.

Abstract

טכניקות ניתוח רב משתני עבור נתונים הדמייה קיבלו לאחרונה תשומת לב הולכת וגוברת כפי שהם תכונות אטרקטיביות רבות כי לא ניתן לממש בקלות על ידי univariate יותר נפוץ, voxel חכמה, טכניקות

Protocol

  1. כדי לתת סקירה המושגית של ניתוח רב משתני נוכל תמונה מצב פשוט מאוד: נתונים היפותטי להגדיר עבור 50 משתתפים אנושיים, שם רק שלושה אזורים, מסומן כמו voxels (פיקסלים = 3 מימדי באיור 1) במוח נמדדו. (איור 1 הכנס כאן, לקרוא כיתוב כמו קול על גבי).
  2. המטרה הכללית של ניתוח רב משתני הוא לזהות את המקורות העיקריים של הנתונים השונות, ולאחר מכן מתאר את ההשפעות העיקריות של עניין את הנתונים במונחים של מקורות אלו שונות. תרשים 2 מציג דוגמה פשטנית. (איור 2 הכנס כאן, לקרוא את הכיתוב כמו קול על גבי).
  3. כעת אנו להחיל ניתוח הן univariate ו משתנים כדי להגדיר נתונים קליניים. אנחנו הורדת FDG-PET סריקות מנוחה של 95 חולים מוקדם של אלצהיימר בגיל 102 בהתאמה שולטת מאתר האינטרנט של יוזמת מחלת אלצהיימר הדמייה (http://www.loni.ucla.edu/ADNI/). אנחנו אקראי הרים 20 סריקות של שני חולים בקרות המיועד בהם מדגם הגזירה שלנו. הנותרים 75 ו 82 סריקות, בהתאמה, המהווים מדגם השכפול שלנו. המחלה Univariate ו משתני אלצהיימר (AD) סמנים עכשיו יהיה נגזרת במדגם הגזירה, והיעילות האבחון שלהם נבדק במדגם שכפול.
  4. עבור הסמן univariate, אנו הניגוד סריקות 20 לספירה עם 20 שולט סריקות במדגם הגזירה לקחת את המיקום המוח המציג את הירידה הגדולה ביותר אות PET ב חולי אלצהיימר כפי שמוצג על ידי מבחן טי. כדי לבדוק את יעילות האבחון של האזור הזה, אנחנו בודקים את הנתונים במדגם שכפול במיקום זה ואת העלילה אות PET שלה כפונקציה של מצב המחלה.
  5. עבור הסמן משתנים, אנחנו הראשונים לבצע PCA על 40 סריקות בשילוב במדגם הגזירה, ולאחר מכן לבנות דפוס שונות משותפת של 5 המרכיבים הראשונים הראשי שהנושא גורם דרוג מראה הבדל ממוצע מקסימלי בין חולי אלצהיימר בקרות בריא. (פרטים ניתן למצוא את הניירות האלה נציג 2). הדפוס השונות המשותפת אבחוני שהושג בצורה מדגם הגזירה לאחר מכן ולהבא המדגם שכפול. דרוג גורמים כתוצאה מכך נושא נרשמות כפונקציה של מצב המחלה.
  6. כדי לספק השוואה כללית יותר של שתי הגישות univariate ו משתנים משלב 4 ו -5, אנו מבצעים סימולציה "לפצל מדגם" וחזור על שני צעדים 1,000 פעמים על נתונים resampled, בכל פעם להרכיב מדגם הגזירה 20/20 ו 75/82 שכפול של חולי אלצהיימר ובריאה מחדש שולטת. סמני המחלה Univariate ו משתנים מחושבים מן המדגם הגזירה ועל סף החלטה מוגדר כך לכל היותר 1 שליטה בריאה היא misclassified כמו AD (סגוליות = 95%). סמני המחלה עם ספי הספציפיים שלהם אז הם החלטה מכאן ולהבא על דגימות שכפול. שגיאה הסיווג שיעורי במדגם שכפול נרשמות לכל חזרות resampling.

נציג תוצאות

ביצועים Univariate התוצאות ניתן לראות פירוט באיור 3. האזור של הגירעון הגדול ביותר FDG לספירה הקשורות נמצא ברכס הרקתי סופר, אזור Brodmann 38. השטח תחת עקומת ROC-מושגת היה AUC = 0.90. הכללה של הניגוד הזה המדגם שכפול היה די טוב עם שטח מתחת לעקומה ROC של AUC = 0.84.

ביצועים משתני התוצאות ניתן לראות פירוט באיור 4. תחומי עם מקדמי חיובית, רומז שימור יחסי של האות מול המחלה נמצאו במוח הקטן, תוך אובדן האות הקשורים נמצא באזורים parietotemporal ו חזיתית, ואת cingulate gyrus האחורי. אזורים תחת ROC-עקומות הגזירה והן דגימות שכפול היו מעט יותר טוב מאשר סמן univariate ב 0.96 ו 0.88, בהתאמה.

Split-מדגם סימולציות התוצאות ניתן לראות פירוט באיור 5. הנתון מראה כי סמן משתנים נותן שכפול אבחון טוב יותר של ביצועים מאשר סמן univariate. שיעור ממוצע שגיאה מוחלטת סמן משתנים הוא 0.203, ואילו עבור הסמן univariate הוא 0.307.

איור 1
. באיור 1 נתון זה פשוט מתאר את ההבדל בין אסטרטגיות אנליטית univariate ו משתנים: מערך היפותטי 3 מימדי נתונים מוצג באיור הזה. בצד שמאל, אין קשר בין 3 משתנים זממו. בצד ימין לעומת זאת, אפשר לראות מקור עיקרי השונות מצביעים על קשר חיובי בין כל שלושת voxels. ניתוח זה נחשב univariate מתכוון רק ערכים על בסיס voxel-by-voxel לא יכול להגיד שום הבדל בין שני תרחישים. ניתוח רב משתני, לעומת זאת, מזהה את המקורות העיקריים של וריאןce בנתונים (חץ אדום) לפני שתמשיך לבנות דפוסים עצביים ההפעלה טופס מקורות אלה.

איור 2
איור 2. שקופית זו מציגה בצורה פשוטה את ההישג הבסיסי של ניתוח כל הנתונים משתנים ב הדמייה. Y מערך נתונים (s, x), אשר תלוי במדד נושא זה, וכן מדד voxel x, המציין את מיקומו של voxel במוח, הוא לפרק את סכום של מספר תנאים. ראשית, תוצר של ציון גרידא נושא תלויי גורם, ssf (ים), דפוס שונות משותפת טהורה voxel תלויי, v (x). הפעלת שנית, כי לא ניתן להסביר על ידי דפוס השונות המשותפת נתפס בטווח רעש הנושא ו voxel תלויי, דואר (s, x). שני גרפיקה מתחת המשוואה לתת דוגמה של גורם דרוג הנושא דפוס שונות משותפת. כל משתתף מבטא את דפוס השונות המשותפת, רק במידה שונה, כפי שמוצג על ידי ציון הגורם הנושא. במקום שיש לעקוב אחר ההתנהגות של כל voxel בנפרד, דפוס שונות משותפת וביטוי הנושא שלה לספק סיכום חסכנית של המקור העיקרי של השונות. כגורם מגביר את נושא שינוי גודל גודל, אזורים מסומנים בכחול דפוס השונות המשותפת ירידה הפעלה הקשורים בהם, ואילו באזורים המצוין אדום בו זמנית להגדיל הפעלה הקשורים בהם. ציון הגורם הנושא יכול להיות מתואם עם משתנים חיצוניים בעלי עניין כמו גיל נושא או ביצועים התנהגותיים במשימה קוגניטיבית, לא תיקון להשוואות מרובות צריך להיות מיושם על המתאם הזה.

כמה טכניקות הפירוק כאלה קיימים, אבל הכי נפוצה היא ניתוח מרכיבים עיקריים (PCA). זוהי טכניקה של בחירה עבורנו. לידיעתך, גורמים דרוג נושא ניתן להשיג על ידי הקרנת דפוס שונות משותפת לתוך כל קבוצה של נתונים ממדיות שווה, לא רק את מערכת הנתונים אשר הפיק את דפוס השונות המשותפת מלכתחילה. זה עושה את דפוסי השונות המשותפת מתאים ובדיקה אם המוח התנהגותיים יחסים נצפו ערכת נתונים אחד יכול להיות משוכפל להגדיר נתונים שונים.

איור 3
איור 3. נתון זה מראה את התוצאה של הניתוח univariate. בחלונית השמאלית התחתונה, ערכי האות FDG הם זממו באזור המציג את הגדולה לספירה הקשורות הגירעון במדגם הגזירה. קואורדינטות MNI שלו הם X = 2 מ"מ, Y = -48 מ"מ, Z ​​= 30 מ"מ (Precuneus / PCG, שטח Brodmann 31). הפאנל הימני התחתון מראה את האות FDG במיקום זה מאוד במדגם שכפול. אפשר להעריך כי ההבדלים בין חולי אלצהיימר FDG בקרות במדגם שכפול, בעוד משמעותי עדיין הכוללת, מופחתים עם חפיפה יותר בין הקבוצות.

איור 4
איור 4. נתון זה מראה את התוצאות של הניתוח משתנים. בפאנל העליון, אנו מציגים מספר פרוסות צירית המראים באופן משמעותי באזורים משוקלל שלילי חיובי (p <0.001) בדפוס השונות המשותפת של אדום וכחול, בהתאמה. שים לב, אנחנו מדורגים כל סריקה על ידי הערך הממוצע העולמי שלה, הצבע האדום כל כך כחול עולה עולה יחסית די מוחלט וירידה של האות PET עם חומרת המחלה. אזורים האדום ובכך רמז שימור יחסי מול המחלה, בעוד הכחול מציין הפסד של האות כתוצאה של המחלה. אזורים האדום נמצאות בעיקר במוח הקטן, בעוד אזורים כחולים מופיעים ברכס החגורה האחורית, אזורים parietotemporal ו חזיתית. הפאנל השמאלי התחתון: עשרות הגורם הנושא של דפוס לספירה הקשורות השונות המשותפת מוצגים במדגם הגזירה. עשרות נושא גבוהה נמצאים על חולי אלצהיימר. הפאנל הימני התחתון: עשרות גורם הנושא תוצאה של יישום פוטנציאלי של דפוס לספירה הקשורות השונות המשותפת המדגם שכפול הם זממו כאן. אפשר להעריך קלה החרפת הניגוד אבחון עם חפיפה מוגברת במדגם שכפול, אבל ההכללה של יעילות האבחון ניכרת יותר מאשר במקרה univariate.

איור 5
איור 5. נתון זה מראה את התוצאות של 1000 מפוצל מדגם סימולציות. ברשימה הם אמצעי וסטיות תקן של שיעורי univariate ו משתני שגיאה אבחון בדגימות שכפול. אפשר להעריך כי הכללה את הסמן של משתנים של ביצועים טובים יותר באופן משמעותי, אם כי מעט יותר משתנה הסמן של univariate.

Discussion

אנו מקווים לתת לצופה טעם של היסודות של ניתוח רב משתני: צופים המעוניינים מוזמנים לבדוק את אתר האינטרנט שלנו. בחירות כמה פרמטרים בניתוח רב משתנים נעשו שניתן בדיון נושא לוויכוח רב. חסכנו את הדיון בנושאים אלה במאמר זה כדי למנוע הסחת דעת מן הנושאים העיקריים. ראשית, בחרנו הראשון 6 מרכיבים עיקריים כדי לבנות דפוס לספירה הקשורות השונות המשותפת שלנו. ישנן סיבות תיאורטי בחירה זו אנו לא דנים 4. הבחירה מסוים של 6 מרכיבים עיקריים אף אינו קריטי לטיעון שלנו: אחד יכול לבחור בטווח 2-20 מחשבים ועדיין להשיג ביצועים מעולים הכללה של הסמן משתנים של פיצול מדגם סימולציות. התוצאות הם חזקים דומה לגבי בחירה של מספר נושאים הגזירה דגימות שכפול. בחרנו 20 הנבדקים בשתי קבוצות במדגם שכפול, אבל זה היה רק ​​בשביל הנוחות מתמטיים כדי להאיץ את החישובים. התוצאות שלנו על היתרונות היחסיים של שתי טכניקות יחזיק דומה אם המספרים של נושאים בדגימות הגזירה עלו.

שנית, אנו רק הציג את הסוג הבסיסי ביותר של ניתוח רב משתני. סיבוך ניכרת עם טכניקות השאולים מן הספרות-Machine Learning, טרנספורמציות ליניארי ולא ליניארי לפני PCA, וקמטים אחרים השונים האפשריים שיכולים להגביר את הביצועים הכללה אף יותר. לשם הפשטות אנו לא נגעתי על האפשרויות הללו במאמר זה.

Disclosures

אין ניגודי אינטרסים הכריז.

References

  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), A121-A121 (1991).
  2. Scarmeas, N. Covariance PET patterns in early Alzheimer's disease and subjects with cognitive impairment but no dementia: utility in group discrimination and correlations with functional performance. Neuroimage. 23, (1), 35-35 (2004).
  3. Siedlecki, K. L. Examining the multifactorial nature of cognitive aging with covariance analysis of positron emission tomography data. J Int Neuropsychol Soc. 15, (6), 973-973 (2009).
  4. Burnham, K. P., Anderson, D. R. Model selection and multimodel inference a practical information-theoretic approach. Springer. New York. Volume xxvi (2002).
  5. 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), 649-649 (1987).
  6. Habeck, C. Multivariate and univariate neuroimaging biomarkers of Alzheimer's disease. Neuroimage. 40, (4), 1503-1503 (2008).
  7. Habeck, C. A new approach to spatial covariance modeling of functional brain imaging data: ordinal trend analysis. Neural Comput. 17, (7), 1602-1602 (2005).
  8. 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 Pt 1, 143-143 (1996).
  9. McIntosh, A. R., Lobaugh, N. J. Partial least squares analysis of neuroimaging data: applications and advances. Neuroimage. 23, Suppl 1. S250-S250 (2004).

Comments

0 Comments


    Post a Question / Comment / Request

    You must be signed in to post a comment. Please or create an account.

    Usage Statistics