Diese Arbeit wurde durch Grant No P50NS071675 (Morris K. Udall Center of Excellence in Parkinson Disease Research am Feinstein Institut für medizinische Forschung) an DE vom National Institute of Neurological Disorders and Stroke unterstützt. Der Inhalt ist allein in der Verantwortung der Autoren und nicht unbedingt den offiziellen Standpunkt des National Institute of Neurological Disorders and Stroke oder der National Institutes of Health. Der Sponsor nicht spielen eine Rolle in Studiendesign, Erhebung, Analyse und Interpretation von Daten, Schreiben des Berichts oder in der Entscheidung, das Papier zur Veröffentlichung einreichen.

1. Datenerhebung und Vorverarbeitung <ol><li> Die SSM / PCA Verfahren kann auf einzelne Volumen Bilder aus verschiedenen Quellen und Modalitäten erhalten angewendet werden. Speziell für Vor-Ort-PET-Bildgebung des Stoffwechsels, bereiten Sie ein geeignetes Radionuklid Tracer wie [18 F]-FDG (FDG) und verwalten zu jedem Patienten. Die Patienten werden in der Regel in Ruhe mit offenen Augen gescannt, nach einem schnellen von mindestens 12 Stunden, aus Medikamenten. </li><li> Scannen Sie jedes Thema für Einzel-oder Gruppen-Assessment. Für Muster Ableitung, scannen eine gleiche Anzahl von geschlechts-und altersspezifischen passenden Patienten und Kontrollen. </li><li> Übertragen von Daten auf einen Arbeitsplatz und die Umwandlung in ein geeignetes Format für die Analyse in Ihre Plattform. Unsere Fenster PC-basierte Analyse-Software MATLAB (scanvp, ssm_pca, <a href="http://www.feinsteinneuroscience.org" target="_blank">www.feinsteinneuroscience.org</a> ) erfordert ANALYSE oder nifti Format Bilder (Mayo Clinic, Rochester, MN). Es bietet eine Konvertierungs-Routine to Transformation GE Geleistete (Milwaukee, WI, USA) Scanner und andere Bilder im Format zu Format ANALYSE. </li><li> Normalisieren jeder Person das Bild auf einen gemeinsamen stereotaktischen Raum (zB Montreal Neurological Institute [MNI]) unter Verwendung eines Standard-Software-Paket Neuroimaging wie statistische parametrische Mapping (SPM) ( <a href="http://www.fil.ion.ucl.ac.uk/spm" target="_blank">http://www.fil.ion.ucl.ac.uk/spm</a> ), so dass es eine Eins-zu-Eins-Entsprechung von Voxel-Werten zwischen den Fächern (2). Maskierung, die Analyse auf der grauen Substanz Bereichen (Abbildung 3) und Log-Transformation zu begrenzen sind in den nächsten Schritten beschrieben. </li></ol> 2. Führen Multivariate SSM / PCA Operationen für multivariate SSM / PCA (4) durch externe Software durchgeführt werden. Die Schritte aufgeschlüsselt unten reflektieren die Verfahren in den meisten Fällen automatisch durch unsere in-house-Routinen (Abbildung 5) (Scan durchgeführtvp / ssmpca, <a href="http://www.feinsteinneuroscience.org" target="_blank">www.feinsteinneuroscience.org</a> auch als SPM Toolbox ssm_pca). <ol><li> Mask Daten unter Verwendung eines verfügbaren 0/1 Bild, um unerwünschte Bereiche des Voxelraum wie weißen Substanz und Kammern zu entfernen. Mit dem ssmpca Routine wird der Benutzer eine Option, um den Standard-oder anderen externen Maske (Abbildung 3) zu wählen oder haben das Programm automatisch eine Maske erstellen, indem Sie Werte unter einem ausgewählten festen Prozent des jeweiligen Subjekts Daten maximale gegeben. Individuelle Subjekt Masken werden dann multipliziert, um eine zusammengesetzte Maske bestimmen. Die Bereiche in der Maske zu definieren eine gemeinsame Null Voxelraum zur Analyse. </li><li> Konvertieren jeder Person 3D maskierte Bild Voxeldaten einem kontinuierlichen Zeilenvektor durch Anhängen sequentiellen Scan-Linien aus aufeinanderfolgenden Ebenen (Abbildung 4a). Bilden eine Gruppe Data Matrix (D), so dass jeder Person die Daten zu einem bestimmten r entsprichtow der Matrix. Jede Spalte stellt dann einen bestimmten Voxel über Themen. Idealerweise sollte für Biomarker Ableitung wird die Matrix aus einer gleichen Anzahl von Reihen von normalen Kontrollsubjekt Daten und Krankheitserregern Daten bestehen. </li><li> Verwandeln Sie jede Dateneingabe auf logarithmische Form. </li><li> Zentrum der Data Matrix durch Subtraktion jede Zeile Durchschnitt oder Gegenstand bedeuten aus der Reihe Elemente. Der Durchschnitt aller zentrierten Reihen stellt eine charakteristische Gruppe bedeuten log Bild bezeichnet eine Gruppe mittleren Profil (GMP, Abbildung 4a). Subtrahieren Sie die Spalte bedeutet, dass die Elemente der GMP aus den entsprechenden Matrixspalte Elemente sind. Jede Zeile der doppelten zentrierte Matrix stellt eine &quot;Restgehalt&quot; Bild bezeichnet einen Betreff Restprofil (SRP), deren Elemente stellen Abweichungen von den Untersuchungsgegenstand s und Voxel v Gruppe Mittel (Abbildung 4b). SRP sv = logD sv - bedeuten s - GMP v </li><li> Konstruieren Sie die subject-by-Kovarianz-Matrix C unter der zusammengesetzten Doppel zentriertes Datenmatrix durch Berechnung des nicht normierten Kovarianz zwischen jedem Fach Paar i, j der Matrix SRP Zeilen als ein Produkt der entsprechenden Voxel-Elemente über alle Voxel V zusammengefasst ausgewertet (Fig. 4b) . C ij = Σ v (SRP iv x SRP jv) </li><li> Bewerben PCA zum Thema-by-Thema Kovarianzmatrix C. Die Ergebnisse werden eine Reihe von Subjekt Punktzahl Eigenvektoren mit zugehörigen Eigenwerte sein. Gewicht jeder Vektor durch Multiplikation mit der Quadratwurzel aus der entsprechenden Eigenwert. Der Satz von Eigenvektoren Ergebnis wird durch die Spalten der resultierenden Matrix S in Fig. 4c dargestellt. </li><li> Voxel Eigenvektoren für den gleichen Satz von Eigenwerten kann durch Anwenden der PCA spaltenweise Kovarianzmatrix oder dieses alternative rechnerisch weniger anspruchsvolle proced bestimmt werdenure in (4c) dargestellt. Linke multiplizieren Sie die zuvor abgeleiteten Score-Vektor-Matrix durch die Umsetzung SRP-Matrix zur Ableitung eines Array P von Voxel-Muster Eigenvektoren in absteigender Reihenfolge der Eigenwerte (4c, 6, 7a). P = T x S SRP Jedes Spaltenvektor eine Hauptkomponente (PC) Bildmuster des SSM / PCA Analyse zurückzuführen auf eine Prozent des gesamten berücksichtigten Varianz (VAF) entsprechend der relativen Größe der Eigenwert. </li></ol> 3. Biomarker-Muster Ableitung <ol><li> Untersuchen der Ergebnisse der vorhergehenden Analyse PC Mustern, die mit hoher VAF Werte zugeordnet sind zu bestimmen. Innerhalb unserer Routine sind Voxel Mustervektoren Z-transformiert, so dass ihre positiven und negativen Werte Standardabweichungen stellen aus deren Mittelwert. Sie werden dann in Bildformat umgeformt vor der Anzeige (Abbildung 7a). </li><li&gt; In einigen Fällen Muster mit bekannten lokalen Abweichungen mit der Krankheit verbunden sind, können visuell identifiziert werden. Die mathematische Formulierung der Auffassung, positive und negative Formen der abgeleiteten PCs als gleichwertige Lösungen in diesem Fall sowohl die PCs und die damit verbundenen Werte von minus eins multipliziert werden, um auf eine physikalisch korrekte Interpretation entsprechen kann. </li><li> Spielstände, die der jeweiligen PC-Muster werden als Balkendiagramme und Scatter-Plots (Abbildung 7) angezeigt. Eine optionale ROC Plot erzeugt (Abbildung 7d) werden. Um eine krankheitsspezifische Muster identifizieren, bemerken die Differenzierung unterliegen Werte zwischen Patienten und Kontrollen durch die p-Werte von den entsprechenden zwei-t-Tests und AUC-Werte wider. Begrenzen Sie die Analyse auf jene PCs mit einem hohen vaf und hohe Differenzierung für einige feste Cutoff-Werte (z. B. p &lt;0,05 und vaf&gt; 5%) verbunden. Normalerweise genügen ein oder zwei PCs das Kriterium für PET-Daten. </li><li> Es gibt verschieschiedenen andere Möglichkeiten für PC-Auswahl, die 44 betrachtet werden können. Die Screeplot sequentieller Eigenwerte (Abbildung 6) geben kann einen scharfen Cutoff-Wert von einem Knick in der Kurve dargestellt und eine scharfe Reduzierung der Steigung der Kurve, wo Eigenwerte zu degenerieren beginnen. Ein anderer Ansatz ist es, alle PCs, die für die besten 50% der Varianz erklären sind. Eine weithin akzeptierte Verfahren ist es, die Akaike Information Criterion (AIC) 45, um zu bestimmen, welche Kombination von PCs definieren das Modell mit der kleinsten AIC Wert zwischen Patienten und Kontrollen zu unterscheiden berechnen kann. </li><li> Der ausgewählte PC (s) können Vektor normalisiert und linear kombiniert werden, um einen einzigen krankheitsbedingten Muster ergeben. Unsere Software verwendet optional die MATLAB-Funktion glmfit um Koeffizienten auf logistischer oder anderer Regressionsmodelle angewendet unterliegen Partituren bestimmen. Obwohl Differenzierung von Patienten-und Kontrollgruppen verbessert in der Regel mit den zusätzlichen PCs in der de betrachtetrivation Gruppe sind die resultierenden Muster eine zusammengesetzte Darstellung, die nicht auf einem einzigen physikalischen Netzwerk entsprechen kann oder Ausreißer Abweichungen (7a und 7c) zu integrieren. </li><li> Eine weitere Validierung für Zuverlässigkeit und Interessenten Bedeutung erforderlich ist. Bootstrap Resampling kann wie unter 8 diskutiert, um die zuverlässigsten Voxel innerhalb der ursprünglichen Ableitung Datensatz mit der geringsten Standardabweichung in wiederholten Muster Ableitung verbunden zu identifizieren. Vorwärts Validierung durchgeführt wird, um für die Sensitivität und Spezifität der unabhängige Gruppe Diskriminierung durch Ableiten Partituren für angehende Gruppen von Patienten und Kontrollen mit dem Ein-Fach-Punktzahl Auswerteverfahren (Abbildung 4d) in das nächste Segment des Protokolls beschrieben testen. </li></ol> 4. Einzel-Thema Prospective Score Auswertung mit einer vorgegebenen Biomarker <ol><li> Sobald eine signifikante SSM-GIS Biomarker-Musteridentifiziert worden ist, kann eine Punktzahl für seine Expression in einer prospektiven Thema aus, dass individuelle Scan mit einer einfachen Berechnung des internen Vektorprodukt des Subjekts SRP Vektor und dem GIS-Vektor (Abbildung 4d, 7d) ausgewertet werden. SCORE = SRPs • Pattern </li><li> Der bisherige Betrieb wird durch unsere TPR Routine automatisiert. Um jedoch unabhängig leiten das Thema SRPs Vektor verwenden den zugehörigen intrinsischen GIS Maske auf die Log-transformierten Daten und subtrahieren beide das Thema Mittelwert und die entsprechenden Voxel Werte der vorher abgeleiteten Referenzgruppe GMP wie in Schritt 2.4. Dies stellt sicher, dass Werte der vorbestimmten Referenzbereich verglichen werden kann. Scores für eine neue Gruppe kann in ähnlicher Weise als eine Reihe von Interessenten einzigen Thema Noten bewertet werden. Für die Verwendung mit einem anderen Referenz-Gruppe oder Einstellung können GMP neu kalibriert, während das Muster ist unverändert. </li></ol>

Dr. Eidelberg als Miterfinder von zwei US-Patente auf die Verwendung von Imaging-Marker für Patienten für Nervensystem Dysfunktion (ohne Gewinnabsicht) aufgelistet. Es gibt keine weiteren Angaben.

Die SSM / PCA Modell ursprünglich von Moeller et al. 4 entwickelt hat 1-3 in eine einfache und robuste Technik für die Analyse von bildgebenden Daten. Allerdings gab es Unklarheiten bei der Anwendung dieser Methode, dass wir versucht haben, hier und in früheren Veröffentlichungen 5-7,10 klären. Einige dieser Fragen wurden in den Text angesprochen worden, aber hier wegen ihrer Bedeutung reemphasized. Wie in der Einleitung ist SSM / PCA vor allem wirksam in Ruhezustand FDG PE...

Neurodegenerative Erkrankungen wurden ausgiebig untersucht mit Hilfe von Techniken, die zu lokalisieren und zu quantifizieren Anomalien der Stoffwechsel im Gehirn als auch nicht-inferential Methoden, regionale Wechselwirkungen studieren 17. Daten-driven multivariate analytische Strategien wie Principal Component Analysis (PCA) und 1,2,4,18 Independent Component Analysis (ICA) 19,20, sowie überwachte Techniken wie Partial Least Squares (PLS) 21 und Ordnungszahl Trends kanonischen variates Analyse (ORT / CVA) 22 zeigen charakteristische Muster oder &quot;Netzwerke&quot; von zusammenhängenden Aktivitäten. Die Grundlagen der multivariaten Verfahren, insbesondere die skalierte Subprofil Modell (SSM) 1,2,4-6,18 wurden zuvor in JoVE 3 beschrieben. Das PCA-Ansatz wurde ursprünglich entwickelt, um abnormale funktionale Kovarianz zwischen Hirnregionen in steady-state einzigen Band Bilder des zerebralen Blutflusses und des Stoffwechsels acq prüfenuired im Ruhezustand von Modalitäten wie PET und SPECT, die hohen Signal-zu-Rausch-Eigenschaften aufweisen. Disease-spezifischen SSM Muster sind Biomarker, die grundsätzlichen Unterschiede in der regionalen Topographie in Patienten im Vergleich zu gesunden Probanden 7,16 und kann ein einzelnes Netzwerk-Prozess oder die Assimilation von mehreren komplexen abnorme Funktionen 23 zu berücksichtigen. Metabolic Kovarianz Muster Gehirn Netzwerke mit Ausdruck Werte (vorbehaltlich scores), die zwischen normal und Krankheit Gruppen unterscheiden und bieten Netzwerk-basierte Maßnahmen, die mit der klinischen Bewertung der Schwere der Erkrankung korrelieren können, zugeordnet. Typischerweise unterliegt Noten für solche Muster mit Fortschreiten der Krankheit zu erhöhen und kann sogar vor Symptombeginn 14,24 ausgedrückt werden. Tatsächlich haben krankheitsbedingten Netzwerk Biomarker für neurodegenerative Erkrankungen wie Parkinson-Krankheit 10 (PD), Huntington-Krankheit 25 (HD) und Alzheimer-Krankheit 8 charakterisiert </sup&gt; (AD). Wichtig ist, dass krankheitsbedingte metabolische Topographien auch für atypische Parkinson Bewegungsstörungen wie Multisystematrophie (MSA) und progressive Blickparese (PSP) identifiziert worden. Diese Muster wurden im Einvernehmen für die Differentialdiagnose von Individuen verwendet mit klinisch ähnlich &quot;look-alike&quot;-Syndrome 12,13,26. Im Gegensatz dazu beurteilen typischen fMRI Voxel-basierte univariate Methoden die Signifikanz der Unterschiede zwischen Patienten und Kontrollen in isolierten Hirn-Clustern. In jüngerer Zeit wurden Verfahren entwickelt, um die funktionelle Konnektivität zwischen unterschiedlich definierten Hirnregionen 27-29 zu messen. Diese Definition der funktionellen Konnektivität zu unterwerfen und Region spezifische Wechselwirkungen und weicht von der ursprünglichen SSM / PCA Konzept, das die Querschnittsfläche der inneren Vernetzung räumlich verteilten Netzwerk Gehirn Regionen 1,2,23,30 bezieht beschränkt. Zu ihrem Vorteil, MRI-Plattformen eineinfach installiert neu, weit verbreitet, nicht-invasiv und erfordern in der Regel kürzere Scan-Zeit als traditionelle radiotracer Bildgebungsverfahren wie PET oder SPECT, was zu einer Zunahme der potentiellen Methoden in der neueren Literatur beschrieben. Allerdings bieten die resultierenden zeitabhängigen fMRI Signalen indirekte Maßnahmen der lokalen neuronalen Aktivität 31,32. Die allgemein komplexe analytische Algorithmen eingesetzt wurden durch die Größe der Datensätze, die physiologische inhärente Rauschen in fMRI-Signale, sowie die hohe Variabilität in der Hirnaktivität, die zwischen den Fächern und Regionen existiert 19,23 begrenzt. Obwohl interessante Informationen über die Organisation des Gehirns von den Eigenschaften der fMRI &quot;Netzwerke&quot; zu entnehmen ist, haben sie nicht stabil genug, um als verlässliche Biomarker Krankheit verwendet werden. Darüber hinaus sind die resultierenden Topographien Netzwerk nicht entsprechen, die identifiziert unter Verwendung etablierter funktioneller Bildgebung Methoden wie SSM / PCA. Für thE größten Teil hat strenge Kreuzvalidierung der resultierenden fMRI Topographien mit wenigen Beispiele für eine erfolgreiche Anwendung von vorne abgeleitet Muster in prospektiven Scandaten von Einzelfällen gefehlt. Ein Vorteil der PCA Kovarianzanalyse liegt in seiner Fähigkeit, die wichtigsten Quellen von Daten Variation in den ersten paar Hauptkomponenten zu identifizieren, aber es ist unwirksam, wenn die prominenten Eigenvektoren Rauschen Faktoren anstatt tatsächliche intrinsische Netzwerk Reaktion darstellen. Indem nur die ersten Eigenvektoren und Beschränkung auf die dort wesentliche Unterschiede in Patienten gegenüber normalen Steuerung Werte zeigen wir erheblich reduziert den Einfluss von Rauschen Elemente. Doch für den grundlegenden Ansatz hier beschrieben, kann diese Maßnahmen nicht ausreichen, um robuste Schätzer in einem typischen fMRI Datensatz mit Ausnahme der unten beschriebenen Modalitäten zu generieren. Da somit der stabilen direkte Beziehung regionaler glucose Stoffwechsel und synaptischer Aktivität 33 wurde diese Methode in erster Linie zur Analyse von Ruhezustand FDG PET Daten angewendet. Angesichts der Tatsache, dass zerebralen Blutflusses (CBF) in engem Zusammenhang mit metabolischen Aktivität im Ruhezustand 10,11,34, SPECT 35,36 und neuerdings Arterial Spin Labeling (ASL) MRI Perfusionsbildgebung Methoden 37,38 gekoppelt, verwendet worden abnorme Stoffwechselaktivität im Einzelfall zu beurteilen. Das heißt, die Ableitung von zuverlässigen räumliche Kovarianz Muster mit Ruhezustand fMRI (rsfMRI) ist wie bereits erwähnt nicht einfach 31,32. Trotzdem hat vorläufige SSM / PCA Analyse von Daten aus rsfMRI PD-Patienten und Kontrollpersonen zeigten einige topographische Homologien zwischen krankheitsbedingten Muster identifiziert mit Hilfe der beiden Modalitäten, PET und der Amplitude des niederfrequenten Schwankungen (VLV) von BOLD fMRI 39,40 . Schließlich haben wir auch beachten, dass dieser Ansatz erfolgreich in Voxel basierte morpho angewendetMetrie (VBM) strukturelle MRT-Daten 41,42 und enthüllt unverwechselbaren räumliche Kovarianz Muster mit altersbedingten Volumenverlust und in weitere Vergleiche von VBM und ASL-Muster in den gleichen Fächern 43 verbunden. Die Beziehung zwischen SSM / PCA räumliche Kovarianz Topographien und analoge Netzwerke identifiziert Gehirn mit verschiedenen analytischen Ansätze und Imaging-Plattformen ist ein Thema der laufenden Ermittlungen.

<table border="1">
 <tbody>
 <tr>
 <td>Name of Equipment</td>
 <td>Company</td>
 <td>Catalog Number</td>
 <td>Comments</td>
 </tr>
 <tr>
 <td></td>
 <td></td>
 <td></td>
 <td>Image Acquisition </td>
 </tr>
 <tr>
 <td>PET Scanner</td>
 <td>GE Medical Systems</td>
 <td>GE Advance</td>
 <td>Any PET, PET/CT and PET/MRI Scanners from GE, Siemens and Philips </td>
 </tr>
 <tr>
 <td>PC Workstations</td>
 <td>Lenovo</td>
 <td>Any</td>
 <td><a href="http://www.lenovo.com/us/en/" target="_blank">http://www.lenovo.com/us/en/</a></td>
 </tr>
 <tr>
 <td></td>
 <td></td>
 <td></td>
 <td>Radiopharmaceuticals </td>
 </tr>
 <tr>
 <td>[18F]-fluorodeoxyglucose</td>
 <td>Feinstein Institute for Medical Research</td>
 <td>Routine Production</td>
 <td>Also distributed by Cardinal Health <a href="http://www.cardinal.com/" target="_blank">http://www.cardinal.com/</a> </td>
 </tr>
 <tr>
 <td></td>
 <td></td>
 <td></td>
 <td>Software </td>
 </tr>
 <tr>
 <td>ScanVP</td>
 <td>Feinstein Institute for Medical Research</td>
 <td>Version 5.9.1, Version 6.2, To be released</td>
 <td><a href="http://www.feinsteinneuroscience.org/" target="_blank">www.feinsteinneuroscience.org</a></td>
 </tr>
 <tr>
 <td>SPM</td>
 <td>The UCL Institute of Neurology</td>
 <td>spm99-spm8</td>
 <td><a href="http://www.fil.ion.ucl.ac.uk/spm" target="_blank">http://www.fil.ion.ucl.ac.uk/spm</a></td>
 </tr>
 <tr>
 <td>Windows</td>
 <td>Microsoft</td>
 <td>Any</td>
 <td></td>
 </tr>
 <tr>
 <td>Matlab</td>
 <td>Mathworks</td>
 <td>Matlab Version 7.0, 7.3</td>
 <td><a href="http://www.mathworks.com/" target="_blank">http://www.mathworks.com/</a></td>
 </tr>
 <tr>
 <td>JMP</td>
 <td>SAS</td>
 <td>Version 5</td>
 <td><a href="http://www.jmp.com/" target="_blank">http://www.jmp.com/</a></td>
 </tr>
 </tbody>
</table>

identification of disease-related spatial covariance patterns using neuroimaging data

Die skalierte Subprofil Modell (SSM) 1-4 ist eine multivariate PCA-basierten Algorithmus, der wichtigsten Quellen der Variation identifiziert in Patienten-und Kontrollgruppe Gehirn Bilddaten bei gleichzeitiger Ablehnung weniger Komponenten (Abbildung 1). Direkt auf Voxel-by-Voxel Kovarianz Daten von stationären multimodalen Bilder angewendet, kann eine ganze Gruppe Bildsatzsignal auf wenige signifikante linear unabhängige Kovarianz Muster und entsprechende Thema Noten reduziert werden. Jedes Muster, bezeichnet eine Gruppe invariant Unterprofil (GIS), eine orthogonale Hauptkomponente, die ein räumlich verteiltes Netzwerk von funktionell miteinander Hirnregionen darstellt. Große globale mittlere skalare Effekte, die kleinere Netzwerk-spezifischen Beiträge verschleiern können, werden durch die inhärente logarithmischen Konvertierung entfernt und meine Zentrierung der Daten 2,5,6. Themen auszudrücken jedes dieser Muster in unterschiedlichem Ausmaß vertreten durch eine einfache skalare Partitur, die mit unabhängigen clin korreliereniCal oder psychometrischen Deskriptoren 7,8. Mittels logistischer Regressionsanalyse Thema Partituren (dh Muster expression-Werte), können lineare Koeffizienten abgeleitet, um mehrere Hauptkomponenten in einzelne krankheitsbedingte räumliche Kovarianz Muster, dh zusammengesetzten Netzwerke verbinden mit verbesserter Diskriminierung von Patienten von gesunden Kontrollpersonen 5,6 werden. Kreuz-Validierung innerhalb der Ableitung Set kann mit Bootstrap-Resampling-Techniken 9 werden. Vorwärts Validierung wird leicht durch direkten Punktzahl Auswertung der abgeleiteten Muster in Datensätzen 10 Interessenten bestätigt. Nach der Gültigkeitsprüfung krankheitsbedingten Muster können verwendet werden, um den einzelnen Patienten in Bezug auf einen festen Bezugspunkt Probe punkten, die oft der Satz von gesunden Probanden, die verwendet wurde (mit der Krankheit Gruppe) in dem ursprünglichen Muster Ableitung 11 werden. Diese standardisierten Werte können wiederum verwendet werden, um in die Differentialdiagnose 12,13 Krankheit zu unterstützen und zu beurteilenProgression und Behandlung Auswirkungen auf Netzwerkebene 7,14-16. Wir präsentieren ein Beispiel für die Anwendung dieser Methode auf FDG PET-Daten von Patienten mit Morbus Parkinson und normalen Kontrollen mit unserer hauseigenen Software abzuleiten ein charakteristisches Muster Kovarianz Biomarker von Krankheiten.

Eine einfache Anwendung von multivariaten SSM / PCA Analyse zur Ableitung eines bildgebenden Biomarker-Muster für PD ist unten dargestellt. PET FDG Bilder von zehn klinisch PD-Patienten (6M/4F, 59y ± 7J sd) variabler erkrankten Dauer (5J 9y ± sd) diagnostiziert und zehn Alter und Geschlecht abgestimmt normalen Kontrollen (6M/4F, 58y ± 7J sd) wurden mit unsere ssmpca Routine. Die zwanzig entsprechenden räumlich pre-normalisierten Bilder wurden unter den Kategorien Krankheit Themen oder Kontrollen zusammen m...

Watch this Scientific Journal Video about Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data at JoVE.com

Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data

Multivariate Techniken einschließlich Hauptkomponentenanalyse (PCA) verwendet worden, um Signatur-Muster der regionalen Umstellung der funktionalen Gehirn Bilder zu identifizieren. Wir haben einen Algorithmus, um reproduzierbare Netzwerk Biomarker für die Diagnose von neurodegenerativen Erkrankungen, Beurteilung des Fortschreitens der Krankheit, und objektive Bewertung der Auswirkungen der Behandlung in Patientengruppen identifizieren entwickelt.

Identification of Disease-bezogene räumliche Kovarianz Patterns mit Neuroimaging Daten

The scaled subprofile model (SSM)1-4 is a multivariate PCA-based algorithm that identifies major sources of variation in patient and control group brain ...

identification-disease-related-spatial-covariance-patterns-using

Research

JoVE Journal

Medicine

15.5K Aufrufe.  The Feinstein Institute for Medical Research. Multivariate Techniken einschließlich Hauptkomponentenanalyse (PCA) verwendet worden, um Signatur-Muster der regionalen Umstellung der funktionalen Gehirn Bilder zu identifizieren. Wir haben einen Algorithmus, um reproduzierbare Netzwerk Biomarker für die Diagnose von neurodegenerativen Erkrankungen, Beurteilung des Fortschreitens der Krankheit, und objektive Bewertung der Auswirkungen der Behandlung in Patientengruppen identifizieren entwickelt.

Serie: Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data

Identification of Sleeping Beauty Transposon Insertions in Solid Tumors using Linker-mediated PCR

Genomic, proteomic, transcriptomic, and epigenomic analyses of human tumors indicate that there are thousands of anomalies within each cancer genome compared to matched normal tissue. Based on these analyses it is evident that there are many undiscovered genetic drivers of cancer1. Unfortunately these drivers are hidden within a much larger number of passenger anomalies in the genome that do not directly contribute to tumor formation. Another aspect of the cancer genome is that there is considerable genetic heterogeneity within similar tumor types. Each tumor can harbor different mutations that provide a selective advantage for tumor formation2. Performing an unbiased forward genetic screen in mice provides the tools to generate tumors and analyze their genetic composition, while reducing the background of passenger mutations. The Sleeping Beauty (SB) transposon system is one such method3. The SB system utilizes mobile vectors (transposons) that can be inserted throughout the genome by the transposase enzyme. Mutations are limited to a specific cell type through the use of a conditional transposase allele that is activated by Cre Recombinase. Many mouse lines exist that express Cre Recombinase in specific tissues. By crossing one of these lines to the conditional transposase allele (e.g. Lox-stop-Lox-SB11), the SB system is activated only in cells that express Cre Recombinase. The Cre Recombinase will excise a stop cassette that blocks expression of the transposase allele, thereby activating transposon mutagenesis within the designated cell type. An SB screen is initiated by breeding three strains of transgenic mice so that the experimental mice carry a conditional transposase allele, a concatamer of transposons, and a tissue-specific Cre Recombinase allele. These mice are allowed to age until tumors form and they become moribund. The mice are then necropsied and genomic DNA is isolated from the tumors. Next, the genomic DNA is subjected to linker-mediated-PCR (LM-PCR) that results in amplification of genomic loci containing an SB transposon. LM-PCR performed on a single tumor will result in hundreds of distinct amplicons representing the hundreds of genomic loci containing transposon insertions in a single tumor4. The transposon insertions in all tumors are analyzed and common insertion sites (CISs) are identified using an appropriate statistical method5. Genes within the CIS are highly likely to be oncogenes or tumor suppressor genes, and are considered candidate cancer genes. The advantages of using the SB system to identify candidate cancer genes are: 1) the transposon can easily be located in the genome because its sequence is known, 2) transposition can be directed to almost any cell type and 3) the transposon is capable of introducing both gain- and loss-of-function mutations6. The following protocol describes how to devise and execute a forward genetic screen using the SB transposon system to identify candidate cancer genes (Figure 1).

Identification of Sleeping Beauty Transposon Insertions in Solid Tumors using Linker-mediated PCR

A method of identifying unknown drivers of carcinogenesis using an unbiased approach is described. The method uses the Sleeping Beauty transposon as a random mutagen directed to specific tissues. Genomic mapping of transposon insertions that drive tumor formation identifies novel oncogenes and tumor suppressor genes

Identifizierung von<em&gt; Dornröschen</em&gt; Transposon Insertionen in Solid Tumors mit Linker-vermittelte PCR

Genomic, proteomic, transcriptomic, and epigenomic analyses of human tumors indicate that there are thousands of anomalies within each cancer genome ...

Forschung

Medizin

Detection of Architectural Distortion in Prior Mammograms via Analysis of Oriented Patterns

We demonstrate methods for the detection of architectural distortion in prior mammograms of interval-cancer cases based on analysis of the orientation of breast tissue patterns in mammograms. We hypothesize that architectural distortion modifies the normal orientation of breast tissue patterns in mammographic images before the formation of masses or tumors. In the initial steps of our methods, the oriented structures in a given mammogram are analyzed using Gabor filters and phase portraits to detect node-like sites of radiating or intersecting tissue patterns. Each detected site is then characterized using the node value, fractal dimension, and a measure of angular dispersion specifically designed to represent spiculating patterns associated with architectural distortion.
Our methods were tested with a database of 106 prior mammograms of 56 interval-cancer cases and 52 mammograms of 13 normal cases using the features developed for the characterization of architectural distortion, pattern classification via quadratic discriminant analysis, and validation with the leave-one-patient out procedure. According to the results of free-response receiver operating characteristic analysis, our methods have demonstrated the capability to detect architectural distortion in prior mammograms, taken 15 months (on the average) before clinical diagnosis of breast cancer, with a sensitivity of 80% at about five false positives per patient.

Detection of Architectural Distortion in Prior Mammograms via Analysis of Oriented Patterns

We demonstrate methods for the detection of architectural distortion in prior mammograms. Oriented structures are analyzed using Gabor filters and phase portraits to detect sites of radiating tissue patterns. Each site is characterized and classified using measures to represent spiculating patterns. The methods should assist in the detection of breast cancer.

Erkennung von Architektur Distortion in Vor Mammographie<em&gt; Über</em&gt; Analyse der Oriented Patterns

We demonstrate methods for the detection of architectural distortion in prior mammograms of interval-cancer cases based on analysis of the orientation of ...

Using Continuous Data Tracking Technology to Study Exercise Adherence in Pulmonary Rehabilitation

Pulmonary rehabilitation (PR) is an important component in the management of respiratory diseases. The effectiveness of PR is dependent upon adherence to exercise training recommendations. The study of exercise adherence is thus a key step towards the optimization of PR programs. To date, mostly indirect measures, such as rates of participation, completion, and attendance, have been used to determine adherence to PR. The purpose of the present protocol is to describe how continuous data tracking technology can be used to measure adherence to a prescribed aerobic training intensity on a second-by-second basis.
In our investigations, adherence has been defined as the percent time spent within a specified target heart rate range. As such, using a combination of hardware and software, heart rate is measured, tracked, and recorded during cycling second-by-second for each participant, for each exercise session. Using statistical software, the data is subsequently extracted and analyzed. The same protocol can be applied to determine adherence to other measures of exercise intensity, such as time spent at a specified wattage, level, or speed on the cycle ergometer. Furthermore, the hardware and software is also available to measure adherence to other modes of training, such as the treadmill, elliptical, stepper, and arm ergometer. The present protocol, therefore, has a vast applicability to directly measure adherence to aerobic exercise.

Pulmonary rehabilitation is widely recognized in the management of respiratory diseases. A key component to successful pulmonary rehabilitation is adherence to the recommended exercise training. The purpose of the present protocol is to describe how continuous data tracking technology can be used to precisely measure adherence to a prescribed aerobic training intensity.

Mit Continuous Data Tracking-Technologie, um die Einhaltung Übung bei pulmonaler Rehabilitation Studieren

Pulmonary rehabilitation (PR) is an important component in the management of respiratory diseases. The effectiveness of PR is dependent upon adherence to ...

Microarray-based Identification of Individual HERV Loci Expression: Application to Biomarker Discovery in Prostate Cancer

The prostate-specific antigen (PSA) is the main diagnostic biomarker for prostate cancer in clinical use, but it lacks specificity and sensitivity, particularly in low dosage values1&#8203;&#8203;. &#8216;How to use PSA&#39; remains a current issue, either for diagnosis as a gray zone corresponding to a concentration in serum of 2.5-10 ng/ml which does not allow a clear differentiation to be made between cancer and noncancer2 or for patient follow-up as analysis of post-operative PSA kinetic parameters can pose considerable challenges for their practical application3,4. Alternatively, noncoding RNAs (ncRNAs) are emerging as key molecules in human cancer, with the potential to serve as novel markers of disease, e.g. PCA3 in prostate cancer5,6 and to reveal uncharacterized aspects of tumor biology. Moreover, data from the ENCODE project published in 2012 showed that different RNA types cover about 62% of the genome. It also appears that the amount of transcriptional regulatory motifs is at least 4.5x higher than the one corresponding to protein-coding exons. Thus, long terminal repeats (LTRs) of human endogenous retroviruses (HERVs) constitute a wide range of putative/candidate transcriptional regulatory sequences, as it is their primary function in infectious retroviruses. HERVs, which are spread throughout the human genome, originate from ancestral and independent infections within the germ line, followed by copy-paste propagation processes and leading to multicopy families occupying 8% of the human genome (note that exons span 2% of our genome). Some HERV loci still express proteins that have been associated with several pathologies including cancer7-10. We have designed a high-density microarray, in Affymetrix format, aiming to optimally characterize individual HERV loci expression, in order to better understand whether they can be active, if they drive ncRNA transcription or modulate coding gene expression. This tool has been applied in the prostate cancer field (Figure 1).

Human endogenous retroviruses (HERV), which occupy 8% of the human genome, retain scarce coding capacities but a hundred thousand long terminal repeats (LTRs). A custom Affymetrix microarray was designed to identify individual HERV locus expression and was used on prostate cancer tissues as a proof of concept for future clinical studies.

Microarray-basierte Identifizierung von Einzel HERV Expression Loci: Anwendung auf Biomarker Discovery in Prostatakrebs

The prostate-specific antigen (PSA) is the main diagnostic biomarker for prostate cancer in clinical use, but it lacks specificity and sensitivity, ...

In Vivo Tracking of Edema Development and Microvascular Pathology in a Model of Experimental Cerebral Malaria Using Magnetic Resonance Imaging

Cerebral malaria is a sign of severe malarial disease and is often a harbinger of death. While aggressive management can be life-saving, the detection of cerebral malaria can be difficult. We present an experimental mouse model of cerebral malaria that shares multiple features of the human disease, including edema and microvascular pathology. Using magnetic resonance imaging (MRI), we can detect and track the blood-brain barrier disruption, edema development, and subsequent brain swelling. We describe multiple MRI techniques that can visualize these pertinent pathological changes. Thus, we show that MRI represents a valuable tool to visualize and track pathological changes, such as edema, brain swelling, and microvascular pathology, in vivo.

In Vivo Tracking of Edema Development and Microvascular Pathology in a Model of Experimental Cerebral Malaria Using Magnetic Resonance Imaging

We describe a mouse model of experimental cerebral malaria and show how inflammatory and microvascular pathology can be tracked in vivo using magnetic resonance imaging.

In vivo Verfolgung von Ödementwicklung und mikrovaskulärer Pathologie in einem Modell der experimentellen zerebralen Malaria mit Magnetresonanztomographie

Cerebral malaria is a sign of severe malarial disease and is often a harbinger of death. While aggressive management can be life-saving, the detection of ...

High-Throughput Analysis of Optical Mapping Data Using ElectroMap

Optical mapping is an established technique for high spatio-temporal resolution study of cardiac electrophysiology in multi-cellular preparations. Here we present, in a step-by-step guide, the use of ElectroMap for analysis, quantification, and mapping of high-resolution voltage and calcium datasets acquired by optical mapping. ElectroMap analysis options cover a wide variety of key electrophysiological parameters, and the graphical user interface allows straightforward modification of pre-processing and parameter definitions, making ElectroMap applicable to a wide range of experimental models. We show how built-in pacing frequency detection and signal segmentation allows high-throughput analysis of entire experimental recordings, acute responses, and single beat-to-beat variability. Additionally, ElectroMap incorporates automated multi-beat averaging to improve signal quality of noisy datasets, and here we demonstrate how this feature can help elucidate electrophysiological changes that might otherwise go undetected when using single beat analysis. Custom modules are included within the software for detailed investigation of conduction, single file analysis, and alternans, as demonstrated here. This software platform can be used to enable and accelerate the processing, analysis, and mapping of complex cardiac electrophysiology.

This protocol describes the setup and use of ElectroMap, a MATLAB-based open-source software platform for analysis of cardiac optical mapping data. ElectroMap provides a versatile high-throughput tool for analysis of optical mapping voltage and calcium datasets across a wide range of cardiac experimental models.

Hochdurchsatzanalyse optischer Mapping-Daten mit ElectroMap

Optical mapping is an established technique for high spatio-temporal resolution study of cardiac electrophysiology in multi-cellular preparations. Here we ...

Virtual Reality Tools for Assessing Unilateral Spatial Neglect: A Novel Opportunity for Data Collection

Unilateral spatial neglect (USN) is a syndrome characterized by inattention to or inaction in one side of space and affects between 23-46% of acute stroke survivors. The diagnosis and characterization of these symptoms in individual patients can be challenging and often requires skilled clinical staff. Virtual reality (VR) presents an opportunity to develop novel assessment tools for patients with USN.
We aimed to design and build a VR tool to detect and characterize subtle USN symptoms, and to test the tool on subjects treated with inhibitory repetitive transcranial magnetic stimulation (TMS) of cortical regions associated with USN.
We created three experimental conditions by applying TMS to two distinct regions of cortex associated with visuospatial processing- the superior temporal gyrus (STG) and the supramarginal gyrus (SMG) - and applied sham TMS as a control. We then placed subjects in a virtual reality environment in which they were asked to identify the flowers with lateral asymmetries of flowers distributed across bushes in both hemispaces, with dynamic difficulty adjustment based on each subject's performance. 
We found significant differences in average head yaw between subjects stimulated at the STG and those stimulated at the SMG and marginally significant effects in the average visual axis.
VR technology is becoming more accessible, affordable, and robust, presenting an exciting opportunity to create useful and novel game-like tools. In conjunction with TMS, these tools could be used to study specific, isolated, artificial neurological deficits in healthy subjects, informing the creation of VR-based diagnostic tools for patients with deficits due to acquired brain injury. This study is the first to our knowledge in which artificially generated USN symptoms have been evaluated with a VR task.

The goal was to design, build, and pilot a novel virtual reality task to detect and characterize unilateral spatial neglect, a syndrome affecting 23-46% of acute stroke survivors, expanding the role of virtual reality in the study and management of neurologic disease.

Virtual-Reality-Tools zur Bewertung einseitiger räumlicher Vernachlässigung: Eine neue Möglichkeit zur Datenerhebung

Unilateral spatial neglect (USN) is a syndrome characterized by inattention to or inaction in one side of space and affects between 23-46% of acute stroke ...

Detection and Removal of Tooth-Colored Composite Resin Using the Fluorescence-Aided Identification Technique

The detection and removal of tooth-colored filling materials is a major challenge for every dentist. The Fluorescence-aided Identification Technique (FIT) is a noninvasive tool to facilitate the distinction of composite resin material from sound tooth substance. Compared to conventional illumination, FIT is a very accurate, reliable, and fast diagnostic method. When composite resin is illuminated with a wavelength of approximately 398 &plusmn; 5 nm, certain fluorescent components make the composite resin appear brighter than the tooth structure. Any fluorescence-inducing light source with the appropriate wavelength can be used for this method. Optimally, this technique is used without additional natural or artificial lighting. The application of FIT can be used for diagnostic purposes, for example, dental charts, and additionally for the complete and minimally invasive removal of composite resin restorations, bracket debonding, and trauma splint removal. The assessment of volumetric changes after composite removal can be provided by overlapping pre- and postoperative scans and subsequent calculation using suitable software.

The Fluorescence-aided Identification Technique is a practicable, fast, and reliable approach for the differentiation of composite resin restorations from tooth substance, and facilitates the minimally invasive and complete removal of composite resin restorations and composite bonded trauma splints.

Detektion und Entfernung von zahnfarbenem Kompositharz mittels fluoreszenzgestützter Identifikationstechnik

The detection and removal of tooth-colored filling materials is a major challenge for every dentist. The Fluorescence-aided Identification Technique (FIT) ...

Visualization of Metabolites Identified in the Spatial Metabolome of Traditional Chinese Medicine Using DESI-MSI

The medicinal use of traditional Chinese medicine is mainly due to its secondary metabolites. Visualization of the distribution of these metabolites has become a crucial topic in plant science. Mass spectrometry imaging can extract huge volumes of data and provide spatial distribution information about these by analyzing tissue slices. With the advantage of high throughput and higher accuracy, desorption electrospray ionization mass spectrometry imaging (DESI-MSI) is often used in biological research and in the study of traditional Chinese medicine. However, the procedures used in this research are complicated and not affordable. In this study, we optimized sectioning and DESI imaging procedures and developed a more cost-effective method to identify the distribution of metabolites and categorize these compounds in plant tissues, with a special focus on traditional Chinese medicines. The study will promote the utilization of DESI in metabolite analysis and standardization of traditional Chinese medicine/ethnic medicine for research-related technologies.

In this study, a series of methods are presented to prepare DESI-MSI samples from plants, and a procedure of DESI assembly installation, MSI data acquisition, and processing is described in detail. This protocol can be applied in several conditions for acquiring spatial metabolome information in plants.

Visualisierung von Metaboliten, die im räumlichen Metabolom der Traditionellen Chinesischen Medizin mit DESI-MSI identifiziert wurden

The medicinal use of traditional Chinese medicine is mainly due to its secondary metabolites. Visualization of the distribution of these metabolites has ...

Ein umfassendes 3D-Modell zur Verteilung der Leberfettfunktion mittels Dixon-MRT

A 3D Quantification Technique for Liver Fat Fraction Distribution Analysis Using Dixon Magnetic Resonance Imaging

This study presents a 3D quantification methodology for the distribution of liver fat fraction (LFF) through the utilization of Dixon MRI image analysis. The central aim is to offer a highly accurate and non-invasive means of evaluating liver fat content. The process involves the acquisition of In-phase and Water-phase images from a Dixon sequence. LFF maps are then meticulously computed voxel by voxel by dividing the Lipid Phase images by the In-phase images. Simultaneously, 3D liver contours are extracted from the In-phase images. These crucial components are seamlessly integrated to construct a comprehensive 3D-LFF distribution model. This technique is not limited to healthy livers but extends to those afflicted by hepatic steatosis. The results obtained demonstrate the remarkable effectiveness of this approach in both visualizing and quantifying liver fat content. It distinctly discerns patterns that differentiate between normal and steatotic livers. By harnessing Dixon MRI to extract the 3D structure of the liver, this method offers precise LFF assessments spanning the entirety of the organ, thereby holding great promise for the diagnosis of hepatic steatosis with remarkable effectiveness.

Autor im Rampenlicht: Ein nicht-invasives Instrument zur Beurteilung und Differenzierung von Fettmustern in der Leber mittels 3D-Dixon-MRT 

This study introduces a unique 3D quantification method for liver fat fraction (LFF) distribution using Dixon Magnetic Resonance Imaging (Dixon MRI). LFF maps, derived from in-phase and water-phase images, are integrated with 3D liver contours to differentiate LFF patterns between normal and steatotic livers, enabling precise assessment of liver fat content.

Eine 3D-Quantifizierungstechnik für die Analyse der Verteilung des Leberfettanteils mit Dixon-Magnetresonanztomographie

This study presents a 3D quantification methodology for the distribution of liver fat fraction (LFF) through the utilization of Dixon MRI image analysis. ...