बहुभिन्नरूपी विश्लेषण के डेटा न्यूरोइमेजिंग में मूल बातें

Neuroscience
JoVE Journal
Neuroscience
AccessviaTrial
 

Summary

वर्तमान लेख बहुभिन्नरूपी विश्लेषण के मूल का वर्णन है और यह अधिक सामान्यतः प्रयोग किया voxel वार univariate विश्लेषण विरोधाभासों. विश्लेषण के दोनों प्रकार के एक नैदानिक ​​तंत्रिका विज्ञान डेटा सेट के लिए लागू कर रहे हैं. पूरक विभाजन आधा सिमुलेशन स्वतंत्र डेटा सेट में बहुभिन्नरूपी परिणामों के बेहतर प्रतिकृति दिखा.

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

Protocol

  1. एक काल्पनिक 50 मानव प्रतिभागियों, जहां केवल तीन क्षेत्रों, मस्तिष्क में voxels (चित्रा 1 में = 3 आयामी पिक्सेल) के रूप में चिह्नित के लिए डेटा सेट मापा गया: बहुभिन्नरूपी विश्लेषण के एक वैचारिक सिंहावलोकन दे करने के लिए हम एक बहुत ही साधारण स्थिति तस्वीर कर सकते हैं. (चित्रा 1 यहां प्रविष्ट करें, आवाज के रूप में कैप्शन पर.)
  2. बहुभिन्नरूपी विश्लेषण के सामान्य उद्देश्य के डेटा में विचरण के प्रमुख स्रोतों की पहचान है, और फिर विचरण के इन स्रोतों के संदर्भ में डेटा में ब्याज की प्रमुख प्रभाव का वर्णन है. चित्रा 2 एक simplistic उदाहरण दिखाता है. (चित्रा 2 यहाँ सम्मिलित आवाज के रूप में कैप्शन पर.)
  3. अब हम एक नैदानिक ​​डेटा सेट करने के लिए दोनों univariate और बहुभिन्नरूपी विश्लेषण लागू होते हैं. हम 95 जल्दी अल्जाइमर रोगियों और अल्जाइमर रोग न्यूरोइमेजिंग पहल (http://www.loni.ucla.edu/ADNI/) की वेबसाइट से 102 उम्र मिलान नियंत्रण के लिए FDG-पीईटी स्कैन आराम डाउनलोड. हम बेतरतीब ढंग से दोनों रोगियों और नियंत्रण के 20 स्कैन उठाया और उन्हें हमारे व्युत्पत्ति नमूने के रूप में नामित है. शेष 75 और 82 स्कैन, क्रमशः, हमारे प्रतिकृति नमूना गठन. Univariate और बहुभिन्नरूपी अल्जाइमर रोग (ई.) मार्करों अब व्युत्पत्ति नमूने में प्राप्त हो जाएगा, और उनके नैदानिक ​​प्रभावकारिता प्रतिकृति नमूने में परीक्षण किया.
  4. Univariate मार्कर के लिए, हम विपरीत व्युत्पत्ति नमूने में 20 नियंत्रण के साथ 20 ई. स्कैन स्कैन और मस्तिष्क स्थान लेने है कि विज्ञापन रोगियों में पीईटी संकेत में सबसे बड़ी कमी से पता चलता है के रूप में एक टी - परीक्षण द्वारा दिखाया गया है. इस क्षेत्र के नैदानिक ​​प्रभावकारिता का परीक्षण करने के लिए, हम इस स्थान पर प्रतिकृति नमूने में डेटा की जांच और रोग की स्थिति के एक समारोह के रूप में पीईटी संकेत साजिश है.
  5. बहुभिन्नरूपी मार्कर के लिए, हम पहले व्युत्पत्ति नमूना में संयुक्त 40 स्कैन पर एक पीसीए प्रदर्शन, और फिर से पहले 5 प्रमुख घटक जिसका विषय स्केलिंग कारक ई. रोगियों और स्वस्थ नियंत्रण के बीच अधिक से अधिक मतलब अंतर से पता चलता है एक सहप्रसरण पैटर्न का निर्माण. (इन प्रतिनिधि 2 अखबारों में विवरण पाया जा सकता है.) नैदानिक ​​सहप्रसरण प्राप्त व्युत्पत्ति नमूना फार्म पैटर्न तो भावी प्रतिकृति नमूना के लिए लागू है . परिणामस्वरूप विषय स्केलिंग कारकों रोग की स्थिति के एक समारोह के रूप में प्लॉट किए जाते हैं.
  6. चरण 4 और 5 से दोनों univariate और बहुभिन्नरूपी दृष्टिकोण के एक अधिक सामान्य तुलना प्रदान करने के लिए, हम एक "विभाजन नमूना" अनुकरण करते हैं और दोनों चरणों resampled डेटा पर 1,000 बार दोहराने के लिए, हर बार एक 20/20 व्युत्पत्ति नमूना बनाने और एक 75/82 ई. रोगियों और स्वस्थ नियंत्रण नए सिरे से की प्रतिकृति. Univariate और बहुभिन्नरूपी रोग मार्कर व्युत्पत्ति नमूना से गणना कर रहे हैं और निर्णय दहलीज ऐसी है कि ज्यादा से ज्यादा एक स्वस्थ नियंत्रण ई. (= विशिष्टता 95%) के रूप में misclassified है सेट कर दिया जाता है. रोग मार्कर के साथ अपने विशिष्ट निर्णय थ्रेसहोल्ड तो भावी प्रतिकृति नमूनों को लागू कर रहे हैं. सभी पुनरावृत्तियों के लिए resampling प्रतिकृति नमूने में वर्गीकरण त्रुटि दर दर्ज कर रहे हैं.

प्रतिनिधि परिणाम

Univariate प्रदर्शन परिणाम चित्रा 3 में विस्तार से देखा जा सकता है. सबसे बड़ी ई. से संबंधित FDG घाटे के क्षेत्र में सुपर अस्थायी गाइरस, Brodmann 38 क्षेत्र में पाया गया था. आरओसी - वक्र के तहत क्षेत्र हासिल नीलामी = 0.90 था. इस के विपरीत प्रतिकृति नमूने के सामान्यीकरण ROC वक्र के तहत नीलामी = 0.84 के एक क्षेत्र के साथ काफी अच्छा था.

बहुभिन्नरूपी प्रदर्शन परिणाम चित्रा 4 में विस्तार में देखा जा सकता है है . सकारात्मक loadings, रोग के चेहरे में एक संकेत के सापेक्ष संरक्षण पर इशारा के साथ क्षेत्रों सेरिबैलम में पाए गए, जबकि जुड़े संकेत हानि parietotemporal और ललाट क्षेत्रों, और पीछे सिंगुलेट गाइरस पाया गया था. दोनों व्युत्पत्ति और नकल के नमूने में आरओसी घटता तहत क्षेत्रों में 0.96 और 0.88 पर univariate मार्कर की तुलना में थोड़ा बेहतर क्रमशः थे.

भाजित नमूना सिमुलेशन परिणाम चित्रा 5 में विस्तार से देखा जा सकता है है . आंकड़ा पता चलता है कि बहुभिन्नरूपी मार्कर univariate मार्कर की तुलना में नैदानिक ​​प्रदर्शन के बेहतर प्रतिकृति देता है. मतलब बहुभिन्नरूपी मार्कर के लिए कुल त्रुटि दर 0.203 है, जबकि univariate मार्कर के लिए यह 0.307 है.

चित्रा 1
चित्रा 1 इस सरल आंकड़ा univariate और बहुभिन्नरूपी विश्लेषणात्मक रणनीतियों के बीच अंतर का वर्णन: एक काल्पनिक 3 आयामी डेटा सेट इस उदाहरण में प्रदर्शित किया जाता है. बाईं ओर, वहाँ तीन प्लॉट किए जाते हैं चर के बीच कोई संबंध है. इसके विपरीत में सही पक्ष पर, एक सभी तीन voxels के बीच एक सकारात्मक संबंध का संकेत विचरण का एक प्रमुख स्रोत देख सकते हैं. एक univariate विश्लेषण है कि सिर्फ से माना voxel द्वारा voxel आधार पर मूल्यों का मतलब इन दो स्थितियों के बीच कोई फर्क नहीं बता सकता है. बहुभिन्नरूपी विश्लेषण, इसके विपरीत में, Varian के प्रमुख स्रोतों की पहचानतंत्रिका सक्रियण पैटर्न के निर्माण के आगे बढ़ने से पहले डेटा में (लाल तीर) CE इन स्रोतों के रूप में.

चित्रा 2
चित्रा 2. यह एक सरल रूप में स्लाइड न्यूरोइमेजिंग डेटा में किसी भी बहुभिन्नरूपी विश्लेषण की बुनियादी उपलब्धि से पता चलता है. डेटा सरणी वाई (ओं, एक्स) है, जो एक विषय सूचकांक है, और एक voxel सूचकांक एक्स, मस्तिष्क में voxel के स्थान का संकेत पर निर्भर करता है कई पदों की राशि में decomposed है. सबसे पहले, एक विशुद्ध रूप से विषय - निर्भर कारक स्कोर, SSF (ओं), और एक निर्भर विशुद्ध रूप से voxel सहप्रसरण पैटर्न के एक उत्पाद है, v (x). द्वितीय सक्रियण के लिए सहप्रसरण पैटर्न से उत्तरदायी नहीं किया जा सकता है एक विषय और voxel निर्भर शोर शब्द, ई (ओं, एक्स) में कब्जा कर लिया है. समीकरण के नीचे दो ग्राफिक्स विषय स्केलिंग कारक और सहप्रसरण पैटर्न का एक उदाहरण देते हैं. हर प्रतिभागी सहप्रसरण पैटर्न प्रकट होता है, सिर्फ एक अलग रूप में विषय कारक स्कोर द्वारा दिखाया डिग्री. बल्कि हर voxel अलग व्यवहार का ट्रैक रखने के होने से, सहप्रसरण पैटर्न और इसके विषय अभिव्यक्ति विचरण के प्रमुख स्रोत के एक किफ़ायती सारांश प्रदान करते हैं. परिमाण में विषय स्केलिंग कारक बढ़ जाती है के रूप में, सहप्रसरण पैटर्न में नीले रंग में चिह्नित क्षेत्रों उनके संबद्ध सक्रियण कमी है, जबकि क्षेत्रों में लाल रंग में संकेत दिया साथ ही साथ उनके संबद्ध सक्रियण में वृद्धि. विषय कारक स्कोर विषय उम्र या एक संज्ञानात्मक कार्य में व्यवहार प्रदर्शन की तरह ब्याज की बाहरी चर के साथ सहसंबद्ध किया जा सकता है, और इस संबंध में कई तुलना के लिए कोई सुधार करने के लिए लागू हो गया है.

जैसे अपघटन के लिए कई तकनीकों मौजूद हैं, लेकिन सबसे आम एक प्रधान घटक विश्लेषण (पीसीए) है. यह हमारे लिए पसंद की तकनीक है. नोट करें कि विषय स्केलिंग कारकों सहप्रसरण पैटर्न किसी भी समान dimensionality की डेटा सेट में सिर्फ डेटा सेट है कि पहली जगह में सहप्रसरण पैटर्न का उत्पादन पेश नहीं है, के द्वारा प्राप्त किया जा सकता है है. यह सहप्रसरण पैटर्न परीक्षण है कि क्या मस्तिष्क व्यवहार रिश्तों कि एक डेटा सेट में मनाया गया एक अलग डेटा सेट में दोहराया जा सकता है है के लिए उपयुक्त बनाता है.

चित्रा 3
चित्रा 3. यह आंकड़ा univariate विश्लेषण के परिणाम से पता चलता है. निचले बाएँ पैनल में, FDG संकेत मान क्षेत्र में है कि सबसे बड़ा व्युत्पत्ति नमूने में ई. से संबंधित घाटे से पता चलता है के लिए प्लॉट किए जाते हैं. इसके MNI निर्देशांक एक्स = 2 मिमी, वाई = -48 मिमी, जेड = 30mm (Precuneus / PCG, Brodmann 31 क्षेत्र). निचले सही पैनल प्रतिकृति नमूने में यह बहुत ही स्थान पर FDG संकेत दिखाता है. एक की सराहना कर सकते हैं कि ई. प्रतिकृति नमूने में रोगियों और नियंत्रण के बीच FDG मतभेद, जबकि अभी भी महत्वपूर्ण समग्र, समूहों के बीच अधिक ओवरलैप के साथ कम कर रहे हैं.

चित्रा 4
चित्रा 4. यह आंकड़ा बहुभिन्नरूपी विश्लेषण के परिणामों से पता चलता है. शीर्ष पैनल में, हम कई अक्षीय स्लाइस उल्लेखनीय है कि सकारात्मक और नकारात्मक सहप्रसरण पैटर्न में लाल और नीले रंग में भारित क्षेत्रों (पी <0.001) दिखाने के लिए, क्रमशः प्रदर्शित करते हैं. ध्यान दें कि हम अपनी वैश्विक माध्य मूल्य से हर स्कैन पहुंचा, तो लाल और नीले रंग बल्कि सापेक्ष और निरपेक्ष बढ़ जाती है और घट जाती है रोग की गंभीरता के साथ पीईटी संकेत के संकेत मिलता है. लाल क्षेत्रों में इस प्रकार के रोग का सामना करने में रिश्तेदार संरक्षण पर संकेत है, जबकि नीले रोग का एक परिणाम के रूप में संकेत के नुकसान को इंगित करता है. लाल क्षेत्रों में मुख्य रूप से सेरिबैलम में पाए जाते हैं, जबकि नीले क्षेत्रों पीछे सिंगुलेट गाइरस, parietotemporal और ललाट क्षेत्रों में दिखाई देते हैं. निचले बाएँ पैनल: ई. से संबंधित सहप्रसरण पैटर्न के विषय कारक स्कोर व्युत्पत्ति नमूने में प्रदर्शित कर रहे हैं. उच्च विषय स्कोर ई. रोगियों के लिए पाए जाते हैं. निचले सही पैनल: विषय कारक ई. से संबंधित सहप्रसरण प्रतिकृति नमूना पैटर्न के संभावित अनुप्रयोग से परिणामस्वरूप स्कोर यहाँ प्लॉट किए जाते हैं. एक प्रतिकृति नमूने में वृद्धि हुई ओवरलैप के साथ निदान विपरीत के एक मामूली बिगड़ती की सराहना करते हैं, लेकिन कर सकते हैं नैदानिक ​​प्रभावकारिता के सामान्यीकरण univariate मामले में की तुलना में काफ़ी बेहतर है.

चित्रा 5
चित्रा 5. यह आंकड़ा 1,000 विभाजन नमूना सिमुलेशन के परिणामों से पता चलता है. सूचीबद्ध univariate और बहुभिन्नरूपी प्रतिकृति नमूनों में नैदानिक ​​त्रुटि दरों का मतलब है और मानक विचलन कर रहे हैं. एक की सराहना कर सकते हैं कि प्रदर्शन के बहुभिन्नरूपी मार्कर सामान्यीकरण काफी बेहतर है, हालांकि कुछ अधिक univariate मार्कर से चर.

Discussion

हम दर्शक बहुभिन्नरूपी विश्लेषण की मूल बातें की एक स्वाद दे दिया है उम्मीद है, इच्छुक दर्शकों के लिए हमारी वेबसाइट बाहर की जाँच करने के लिए प्रोत्साहित किया जाता है. बहुभिन्नरूपी विश्लेषण में पैरामीटर के लिए कुछ विकल्प बना रहे थे कि काफी बहस के अधीन बहस किया जा सकता है. हम इस आलेख में इन मुद्दों की चर्चा बख्शा प्रमुख मुद्दों से व्याकुलता से बचने के. सबसे पहले, हम पहले 6 प्रमुख घटकों को चुना हमारे सहप्रसरण ई. से संबंधित पैटर्न का निर्माण. इस विकल्प के लिए सैद्धांतिक कारण है कि हम 4 चर्चा नहीं कर रहे हैं . 6 प्रधान घटकों के विशेष पसंद है, हालांकि हमारे तर्क के लिए महत्वपूर्ण नहीं है: एक रेंज में 2 से 20 पीसी के लिए चुना है और अभी भी विभाजन नमूना सिमुलेशन में बहुभिन्नरूपी मार्कर के बेहतर सामान्यीकरण प्रदर्शन प्राप्त कर सकते हैं. परिणाम व्युत्पत्ति और नकल के नमूने में विषयों की संख्या के चुनाव के लिए सम्मान के साथ इसी तरह मजबूत कर रहे हैं. हम प्रतिकृति नमूने में दोनों समूहों के लिए 20 विषयों को चुना है, लेकिन इस गणितीय संगणना गति की सुविधा के लिए विशुद्ध रूप से किया गया था. दोनों तकनीकों के रिश्तेदार गुण के बारे में हमारी परिणाम इसी तरह पकड़ अगर व्युत्पत्ति नमूनों में विषयों की संख्या बढ़ रहे थे.

दूसरा, हम केवल बहुभिन्नरूपी विश्लेषण का सबसे बुनियादी प्रकार प्रस्तुत किया. साहित्य मशीन लर्निंग, पहले पीसीए रैखिक और गैर रेखीय परिवर्तनों, और विभिन्न अन्य झुर्रियों से उधार तकनीक के साथ काफी जटिलता संभव है कि सामान्यीकरण प्रदर्शन और भी अधिक बढ़ावा देने सकता हैं. सादगी के लिए हम इस आलेख में इन संभावनाओं पर छुआ तक नहीं है.

Disclosures

ब्याज की कोई संघर्ष की घोषणा की.

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