The author is grateful for NIH grant support:
NIH/NIBIB 5R01EB006204-03 Multivariate approaches to neuroimaging analysis
NIH/NIA 5R01AG026114-02 Early AD Detection with ASL MRI &amp; Covariance Analysis
ADNI: Imaging data was provided by the Alzheimer's Disease Neuroimaging Initiative (ADNI) (NIH U01AG024904). Data collection and sharing for this project was funded by the Alzheimer's Disease Neuroimaging Initiative (ADNI) (National Institutes of Health Grant U01 AG024904). ADNI is funded by the National Institute on Aging, the National Institute of Biomedical Imaging and Bioengineering, and through generous contributions from the following: Abbott, AstraZeneca AB, Bayer Schering Pharma AG, Bristol-Myers Squibb, Eisai Global Clinical Development, Elan Corporation, Genentech, GE Healthcare, GlaxoSmithKline, Innogenetics ,Johnson and Johnson, Eli Lilly and Co., Medpace, Inc., Merck and Co., Inc., Novartis AG, Pfizer Inc, F. Hoffman-La Roche, Schering-Plough, Synarc, Inc., and Wyeth, as well as non-profit partners the Alzheimer's Association and Alzheimer's Drug Discovery Foundation, with participation from the U.S. Food and Drug Administration. Private sector contributions to ADNI are facilitated by the Foundation for the National Institutes of Health(<a href="http://www.fnih.org">http://www.fnih.org</a>). The grantee organization is the Northern California Institute for Research and Education, and the study is coordinated by the Alzheimer's Disease Cooperative Study at the University of California, San Diego. ADNI data are disseminated by the Laboratory for Neuro Imaging at the University of California, Los Angeles. This research was also supported by NIH grants P30 AG010129, K01 AG030514, and the Dana Foundation.

<ol style=";text-align:right;direction:rtl"><li style=";text-align:right;direction:rtl"> 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). </li><li style=";text-align:right;direction:rtl"> 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). </li><li style=";text-align:right;direction:rtl"> 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. </li><li style=";text-align:right;direction:rtl"> 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. </li><li style=";text-align:right;direction:rtl"> 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. </li><li style=";text-align:right;direction:rtl"> כדי לספק השוואה כללית יותר של שתי הגישות univariate ו משתנים משלב 4 ו -5, אנו מבצעים סימולציה &quot;לפצל מדגם&quot; 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. </li></ol> 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. <img src="/files/ftp_upload/1988/1988fig1.jpg" alt="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. <img src="/files/ftp_upload/1988/1988fig2.jpg" alt="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. <img src="/files/ftp_upload/1988/1988fig3.jpg" alt="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&quot;מ, Y = -48 מ&quot;מ, Z ​​= 30 מ&quot;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. <img src="/files/ftp_upload/1988/1988fig4.jpg" alt="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 &lt;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. <img src="/files/ftp_upload/1988/1988fig5.jpg" alt="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.

<ol>
	<li>Moeller, J. R., Strother, S. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+regional+covariance+approach+to+the+analysis+of+functional+patterns+in+positron+emission+tomographic+data.">A regional covariance approach to the analysis of functional patterns in positron emission tomographic data.</a> J Cereb Blood Flow Metab. 11 (2), A121-A121 (1991).</li><li>Scarmeas, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=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.">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.</a> Neuroimage. 23 (1), 35-35 (2004).</li><li>Siedlecki, K. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Examining+the+multifactorial+nature+of+cognitive+aging+with+covariance+analysis+of+positron+emission+tomography+data.">Examining the multifactorial nature of cognitive aging with covariance analysis of positron emission tomography data.</a> J Int Neuropsychol Soc. 15 (6), 973-973 (2009).</li><li>Burnham, K. P., Anderson, D. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Model selection and multimodel inference a practical information-theoretic approach. , (2002).</li><li>Moeller, J. R., Strother, S. C., Sidtis, J. J., Rottenberg, D. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Scaled+subprofile+model:+a+statistical+approach+to+the+analysis+of+functional+patterns+in+positron+emission+tomographic+data.">Scaled subprofile model: a statistical approach to the analysis of functional patterns in positron emission tomographic data.</a> J Cereb Blood Flow Metab. 7 (5), 649-649 (1987).</li><li>Habeck, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Multivariate+and+univariate+neuroimaging+biomarkers+of+Alzheimer's+disease.">Multivariate and univariate neuroimaging biomarkers of Alzheimer's disease.</a> Neuroimage. 40 (4), 1503-1503 (2008).</li><li>Habeck, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+new+approach+to+spatial+covariance+modeling+of+functional+brain+imaging+data:+ordinal+trend+analysis.">A new approach to spatial covariance modeling of functional brain imaging data: ordinal trend analysis.</a> Neural Comput. 17 (7), 1602-1602 (2005).</li><li>McIntosh, A. R., Bookstein, F. L., Haxby, J. V., Grady, C. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Spatial+pattern+analysis+of+functional+brain+images+using+partial+least+squares.">Spatial pattern analysis of functional brain images using partial least squares.</a> Neuroimage. 3 Pt 1, 143-143 (1996).</li><li>McIntosh, A. R., Lobaugh, N. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Partial+least+squares+analysis+of+neuroimaging+data:+applications+and+advances.">Partial least squares analysis of neuroimaging data: applications and advances.</a> Neuroimage. 23, S250-S250 (2004).</li></ol>

אין ניגודי אינטרסים הכריז.

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.

basics of multivariate analysis in neuroimaging data

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<sup&gt; 1,5,6,7,8,9</sup&gt;. גישות מרובות משתנים להעריך מתאם / שונות משותפת של הפעלת פני אזורים במוח, מאשר בהליך על בסיס voxel-by-voxel. לפיכך, התוצאות שלהם יכולה להתפרש בקלות רבה יותר כמו חתימה של רשתות עצביות. גישות Univariate, מאידך גיסא, לא ניתן ישירות לכתובת מתאם אזוריים במוח. גישות מרובות משתנים יכול גם לגרום כוח סטטיסטי רב יותר בהשוואה טכניקות univariate, אשר נאלצים להעסיק תיקונים מחמירים מאוד voxel מבחינת השוואות מרובות. יתר על כן, טכניקות משתנים גם להשאיל את עצמם הרבה יותר טוב יישום פרוספקטיבי התוצאות מניתוח במערך אחד מערכי נתונים חדש לגמרי. טכניקות מרובות משתנים הם ולכן ממוקמת היטב כדי לספק מידע על ההבדלים מתאמים אומר עם התנהגות, בדומה לגישות univariate, עם כוח סטטיסטי פוטנציאל גדול והמחאות שחזור טוב יותר. לעומת יתרונות אלה היא מכשול גבוה הכניסה לשימוש גישות משתנים, מונעים יישום נפוץ יותר בקרב הקהילה. כדי הנוירולוג היכרות עם טכניקות ניתוח רב משתני, סקר ראשוני של השדה יכול להציג מגוון מבלבל של גישות, למרות דומה אלגוריתמית, מוצגים עם דגשים שונים, בדרך כלל על ידי אנשים עם רקע במתמטיקה. אנו מאמינים כי טכניקות ניתוח רב משתני יש פוטנציאל מספיק כדי להצדיק הפצת טוב יותר. החוקרים צריכים להיות מסוגלים להפעיל אותם בצורה מושכלת ונגיש. המאמר הנוכחי הוא ניסיון מבוא דידקטי של טכניקות משתנים למתחילים. הקדמה רעיונית מלווה עם יישום פשוט מאוד נתונים אבחון להגדיר מ הדמייה לאלצהיימר של היוזמה (ADNI), מדגימים בבהירות את ביצועים מעולים של הגישה משתנים.

Watch this Scientific Journal Video about Basics of Multivariate Analysis in Neuroimaging Data at JoVE.com

Basics of Multivariate Analysis in Neuroimaging Data

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.

היסודות של ניתוח רב משתני של נתונים הדמייה

Multivariate analysis techniques for neuroimaging data have recently received increasing attention as they have many attractive features that cannot be ...

basics-of-multivariate-analysis-in-neuroimaging-data

Research

JoVE Journal

Neuroscience

16.8K Views.  Columbia University. 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.

Video: Basics of Multivariate Analysis in Neuroimaging Data

Cross-Modal Multivariate Pattern Analysis

Multivariate pattern analysis (MVPA) is an increasingly popular method of analyzing functional magnetic resonance imaging (fMRI) data1-4. Typically, the method is used to identify a subject's perceptual experience from neural activity in certain regions of the brain. For instance, it has been employed to predict the orientation of visual gratings a subject perceives from activity in early visual cortices5 or, analogously, the content of speech from activity in early auditory cortices6.
Here, we present an extension of the classical MVPA paradigm, according to which perceptual stimuli are not predicted within, but across sensory systems. Specifically, the method we describe addresses the question of whether stimuli that evoke memory associations in modalities other than the one through which they are presented induce content-specific activity patterns in the sensory cortices of those other modalities. For instance, seeing a muted video clip of a glass vase shattering on the ground automatically triggers in most observers an auditory image of the associated sound; is the experience of this image in the "mind's ear" correlated with a specific neural activity pattern in early auditory cortices? Furthermore, is this activity pattern distinct from the pattern that could be observed if the subject were, instead, watching a video clip of a howling dog?
In two previous studies7,8, we were able to predict sound- and touch-implying video clips based on neural activity in early auditory and somatosensory cortices, respectively. Our results are in line with a neuroarchitectural framework proposed by Damasio9,10, according to which the experience of mental images that are based on memories - such as hearing the shattering sound of a vase in the "mind's ear" upon seeing the corresponding video clip - is supported by the re-construction of content-specific neural activity patterns in early sensory cortices.

Classical multivariate pattern analysis predicts sensory stimuli a subject perceives from neural activity in the corresponding cortices (e.g. visual stimuli from activity in visual cortex). Here, we apply pattern analysis cross-modally and show that sound- and touch-implying visual stimuli can be predicted from activity in auditory and somatosensory cortices, respectively.

חוצה מודאלי תבנית ניתוח רב משתני

Multivariate pattern analysis (MVPA) is an increasingly popular method of analyzing functional magnetic resonance imaging (fMRI) data1-4. Typically, the ...

Co-analysis of Brain Structure and Function using fMRI and Diffusion-weighted Imaging

The study of complex computational systems is facilitated by network maps, such as circuit diagrams. Such mapping is particularly informative when studying the brain, as the functional role that a brain area fulfills may be largely defined by its connections to other brain areas. In this report, we describe a novel, non-invasive approach for relating brain structure and function using magnetic resonance imaging (MRI). This approach, a combination of structural imaging of long-range fiber connections and functional imaging data, is illustrated in two distinct cognitive domains, visual attention and face perception. Structural imaging is performed with diffusion-weighted imaging (DWI) and fiber tractography, which track the diffusion of water molecules along white-matter fiber tracts in the brain (Figure 1). By visualizing these fiber tracts, we are able to investigate the long-range connective architecture of the brain. The results compare favorably with one of the most widely-used techniques in DWI, diffusion tensor imaging (DTI). DTI is unable to resolve complex configurations of fiber tracts, limiting its utility for constructing detailed, anatomically-informed models of brain function. In contrast, our analyses reproduce known neuroanatomy with precision and accuracy. This advantage is partly due to data acquisition procedures: while many DTI protocols measure diffusion in a small number of directions (e.g., 6 or 12), we employ a diffusion spectrum imaging (DSI)1, 2 protocol which assesses diffusion in 257 directions and at a range of magnetic gradient strengths. Moreover, DSI data allow us to use more sophisticated methods for reconstructing acquired data. In two experiments (visual attention and face perception), tractography reveals that co-active areas of the human brain are anatomically connected, supporting extant hypotheses that they form functional networks. DWI allows us to create a "circuit diagram" and reproduce it on an individual-subject basis, for the purpose of monitoring task-relevant brain activity in networks of interest.

We describe a novel approach for simultaneous analysis of brain function and structure using magnetic resonance imaging (MRI). We assess brain structure with high-resolution diffusion-weighted imaging and white-matter fiber tractography. Unlike standard structural MRI, these techniques allow us to directly relate anatomical connectivity to functional properties of brain networks.

שיתוף ניתוח של מבנה המוח ותפקודו באמצעות fMRI ודיפוזיה משוקללת הדמיה

The study of complex computational systems is facilitated by network maps, such as circuit diagrams. Such mapping is particularly informative when ...

Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data

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 image data while rejecting lesser components (Figure 1). Applied directly to voxel-by-voxel covariance data of steady-state multimodality images, an entire group image set can be reduced to a few significant linearly independent covariance patterns and corresponding subject scores. Each pattern, termed a group invariant subprofile (GIS), is an orthogonal principal component that represents a spatially distributed network of functionally interrelated brain regions. Large global mean scalar effects that can obscure smaller network-specific contributions are removed by the inherent logarithmic conversion and mean centering of the data2,5,6. Subjects express each of these patterns to a variable degree represented by a simple scalar score that can correlate with independent clinical or psychometric descriptors7,8. Using logistic regression analysis of subject scores (i.e. pattern expression values), linear coefficients can be derived to combine multiple principal components into single disease-related spatial covariance patterns, i.e. composite networks with improved discrimination of patients from healthy control subjects5,6. Cross-validation within the derivation set can be performed using bootstrap resampling techniques9. Forward validation is easily confirmed by direct score evaluation of the derived patterns in prospective datasets10. Once validated, disease-related patterns can be used to score individual patients with respect to a fixed reference sample, often the set of healthy subjects that was used (with the disease group) in the original pattern derivation11. These standardized values can in turn be used to assist in differential diagnosis12,13 and to assess disease progression and treatment effects at the network level7,14-16. We present an example of the application of this methodology to FDG PET data of Parkinson's Disease patients and normal controls using our in-house software to derive a characteristic covariance pattern biomarker of disease.

Multivariate techniques including principal component analysis (PCA) have been used to identify signature patterns of regional change in functional brain images. We have developed an algorithm to identify reproducible network biomarkers for the diagnosis of neurodegenerative disorders, assessment of disease progression, and objective evaluation of treatment effects in patient populations.

זיהוי של דפוסי שונות משותפת מרחביים הקשורות למחלה באמצעות נתונים הדמייה

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 ...

Medicine

Diffusion Tensor Magnetic Resonance Imaging in the Analysis of Neurodegenerative Diseases

Diffusion tensor imaging (DTI) techniques provide information on the microstructural processes of the cerebral white matter (WM) in vivo. The present applications are designed to investigate differences of WM involvement patterns in different brain diseases, especially neurodegenerative disorders, by use of different DTI analyses in comparison with matched controls. 	
DTI data analysis is performed in a variate fashion, i.e. voxelwise comparison of regional diffusion direction-based metrics such as fractional anisotropy (FA), together with fiber tracking (FT) accompanied by tractwise fractional anisotropy statistics (TFAS) at the group level in order to identify differences in FA along WM structures, aiming at the definition of regional patterns of WM alterations at the group level. Transformation into a stereotaxic standard space is a prerequisite for group studies and requires thorough data processing to preserve directional inter-dependencies. The present applications show optimized technical approaches for this preservation of quantitative and directional information during spatial normalization in data analyses at the group level. On this basis, FT techniques can be applied to group averaged data in order to quantify metrics information as defined by FT. Additionally, application of DTI methods, i.e. differences in FA-maps after stereotaxic alignment, in a longitudinal analysis at an individual subject basis reveal information about the progression of neurological disorders. Further quality improvement of DTI based results can be obtained during preprocessing by application of a controlled elimination of gradient directions with high noise levels.	
In summary, DTI is used to define a distinct WM pathoanatomy of different brain diseases by the combination of whole brain-based and tract-based DTI analysis.

Diffusion tensor imaging (DTI) basically serves as an MRI-based tool to identify in vivo the microstructure of the brain and pathological processes due to neurological disorders within the cerebral white matter. DTI-based analyses allow for application to brain diseases both at the group level and in single subject data.

הדמיית תהודה מגנטית מותחת דיפוזי בניתוח של מחלות ניווניות

Diffusion tensor imaging (DTI) techniques provide information on the microstructural processes of the cerebral white matter (WM) in vivo. The present ...

Network Analysis of the Default Mode Network Using Functional Connectivity MRI in Temporal Lobe Epilepsy

Functional connectivity MRI (fcMRI) is an fMRI method that examines the connectivity of different brain areas based on the correlation of BOLD signal fluctuations over time. Temporal Lobe Epilepsy (TLE) is the most common type of adult epilepsy and involves multiple brain networks. The default mode network (DMN) is involved in conscious, resting state cognition and is thought to be affected in TLE where seizures cause impairment of consciousness. The DMN in epilepsy was examined using seed based fcMRI. The anterior and posterior hubs of the DMN were used as seeds in this analysis. The results show a disconnection between the anterior and posterior hubs of the DMN in TLE during the basal state. In addition, increased DMN connectivity to other brain regions in left TLE along with decreased connectivity in right TLE is revealed. The analysis demonstrates how seed-based fcMRI can be used to probe cerebral networks in brain disorders such as TLE.

The Default Mode Network (DMN) in Temporal Lobe Epilepsy (TLE) is analyzed in the resting state of the brain using seed-based functional connectivity MRI (fcMRI).

ניתוח רשת של ברירת מחדל מצב הרשת באמצעות קישוריות ה-MRI התפקודי באונה הטמפורלית אפילפסיה

Functional connectivity MRI (fcMRI) is an fMRI method that examines the connectivity of different brain areas based on the correlation of BOLD signal ...

Using Informational Connectivity to Measure the Synchronous Emergence of fMRI Multi-voxel Information Across Time

It is now appreciated that condition-relevant information can be present within distributed patterns of functional magnetic resonance imaging (fMRI) brain activity, even for conditions with similar levels of univariate activation. Multi-voxel pattern (MVP) analysis has been used to decode this information with great success. FMRI investigators also often seek to understand how brain regions interact in interconnected networks, and use functional connectivity (FC) to identify regions that have correlated responses over time. Just as univariate analyses can be insensitive to information in MVPs, FC may not fully characterize the brain networks that process conditions with characteristic MVP signatures. The method described here, informational connectivity (IC), can identify regions with correlated changes in MVP-discriminability across time, revealing connectivity that is not accessible to FC. The method can be exploratory, using searchlights to identify seed-connected areas, or planned, between pre-selected regions-of-interest. The results can elucidate networks of regions that process MVP-related conditions, can breakdown MVPA searchlight maps into separate networks, or can be compared across tasks and patient groups.

Informational connectivity measures the correspondence between time courses of multi-voxel information across different brain regions. Multi-voxel pattern discriminability time series are extracted from regions and compared, revealing networks that are not identified in a typical functional connectivity approach.

באמצעות הסברה קישוריות למדוד את צמיחת סינכרוני של מידע Multi-voxel fMRI לאורך זמן

It is now appreciated that condition-relevant information can be present within distributed patterns of functional magnetic resonance imaging (fMRI) brain ...

Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms

Non-invasive electrophysiological recordings are useful for the evaluation of nervous system function. These techniques are inexpensive, fast, replicable, and less resource-intensive than imaging. Further, the functional data produced have excellent temporal resolution, which is not achievable with structural imaging.
Current applications of electroencephalograms (EEG) are limited by data processing methods. Standard analysis techniques using raw time series data at individual channels are very limited methods of interrogating nervous system activity. More detailed information about cortical function can be achieved by examining relationships between channels and deriving statistical models of how areas are interacting, allowing visualization of connectivity between networks.
This manuscript describes a method for deriving statistical models of cortical network activity by recording EEG in a standard manner, then examining the interelectrode coherence measures to assess relationships between the recorded areas. Higher order interactions can be further examined by assessing the covariance between the coherence pairs, producing high-dimensional &#34;maps&#34; of network interactions. These data constructs can be examined to assess cortical network function and its relationship to pathology in ways not achievable with traditional techniques.
This approach offers greater sensitivity to network level interactions than is achievable with raw time series analysis. It is, however, limited by the complexity of drawing specific mechanistic conclusions about the underlying neural populations and the high volumes of data generated, requiring more advanced statistical techniques for evaluation, including dimensionality reduction and classifier-based approaches.

Standard EEG analysis techniques offer limited insight into nervous system function. Deriving statistical models of cortical connectivity offers far greater ability to investigate underlying network dynamics. Improved functional assessment opens new possibilities for diagnosis, prognostication, and outcome prediction in nervous system diseases.

הדוגמנות הסטטיסטית של קישוריות קורטיקלית באמצעות אלקטרונצלוגרמות שאינן פולשנית

Non-invasive electrophysiological recordings are useful for the evaluation of nervous system function. These techniques are inexpensive, fast, replicable, ...

Brain Morphology of Cannabis Users With or Without Psychosis: A Pilot MRI Study

Cannabis is the illicit drug most commonly used worldwide, and its consumption can both induce psychiatric symptoms in otherwise healthy subjects and unmask a florid psychotic picture in patients with a prior psychotic risk. Previous studies suggest that chronic and long-term cannabis exposure may exert significant negative effects in brain areas enriched with cannabinoid receptors. However, whether brain alterations determined by cannabis dependency will lead to a clinically significant phenotype or to a psychotic outbreak at some point of an abuser&#8217;s life remains unclear. The aim of this study was to investigate morphological brain differences between chronic cannabis users with cannabis-induced psychosis (CIP) and non-psychotic cannabis users (NPCU) without any psychiatric conditions and correlate brain deficits with selective socio-demographic, clinical and psychosocial variables.
3T magnetic resonance imaging (MRI) scans of 10 CIP patients and 12 NPCU were acquired. The type of drug, the frequency, and the duration, as well socio-demographic, clinical and psychosocial parameters of dependency were measured. CIP patients had extensive grey matter (GM) decreases in right superior frontal gyrus, right precentral, right superior temporal gyrus, insula bilaterally, right precuneus, right medial occipital gyrus, right fusiform gyrus, and left hippocampus in comparison to chronic cannabis users without psychosis. Finally, in CIP patients, the results showed a negative correlation between a domain of the Brief Psychiatric Rating Scale (BPRS), BPRS-Activity, and selective GM volumes. Overall, the results suggest that cannabis-induced psychosis is characterized by selective brain reductions that are not present in NPCU. Therefore, neuroimaging studies may provide a potential ground for identifying putative biomarkers associated with the risk of developing psychosis in cannabis users.

This is a 3T magnetic resonance imaging study aiming to investigate grey matter volume differences between cannabis-induced psychosis patients and non-psychotic chronic cannabis users.

מורפולוגיה מוחית של משתמשי קנאביס עם או בלי פסיכוזה: מחקר MRI פיילוט

Cannabis is the illicit drug most commonly used worldwide, and its consumption can both induce psychiatric symptoms in otherwise healthy subjects and ...

Systems Analysis of the Neuroinflammatory and Hemodynamic Response to Traumatic Brain Injury

Mild traumatic brain injuries (mTBIs) are a significant public health problem. Repeated exposure to mTBI can lead to cumulative, long-lasting functional deficits. Numerous studies by our group and others have shown that mTBI stimulates cytokine expression and activates microglia, decreases cerebral blood flow and metabolism, and impairs cerebrovascular reactivity. Moreover, several works have reported an association between derangements in these neuroinflammatory and hemodynamic markers and cognitive impairments. Herein we detail methods to characterize the neuroinflammatory and hemodynamic tissue response to mTBI in mice. Specifically, we describe how to perform a weight-drop model of mTBI, how to longitudinally measure cerebral blood flow using a non-invasive optical technique called diffuse correlation spectroscopy, and how to perform a Luminex multiplexed immunoassay on brain tissue samples to quantify cytokines and immunomodulatory phospho-proteins (e.g., within the MAPK and NF&#954;B pathways) that respond to and regulate activity of microglia and other neural immune cells. Finally, we detail how to integrate these data using a multivariate systems analysis approach to understand the relationships between all of these variables. Understanding the relationships between these physiologic and molecular variables will ultimately enable us to identify mechanisms responsible for mTBI.

This protocol presents methods to characterize the neuroinflammatory and hemodynamic response to mild traumatic brain injury and to integrate these data as part of a multivariate systems analysis using partial least squares regression.

ניתוח מערכות של התגובה הנוירו-דלקתית וההמודינמית לפגיעה מוחית טראומטית

Mild traumatic brain injuries (mTBIs) are a significant public health problem. Repeated exposure to mTBI can lead to cumulative, long-lasting functional ...

שיפור ניתוח דימות מוחי בהפרעות מוחיות

Manual Segmentation of the Human Choroid Plexus Using Brain MRI

The choroid plexus has been implicated in neurodevelopment and a range of brain disorders. Evidence demonstrates that the choroid plexus is critical for brain maturation, immune/ inflammatory regulation, and behavioral/cognitive functioning. However, current automated neuroimaging segmentation tools are poor at accurately and reliably segmenting the lateral ventricle choroid plexus. Furthermore, there is no existing tool that segments the choroid plexus located in the third and fourth ventricles of the brain. Thus, a protocol delineating how to segment the choroid plexus in the lateral, third, and fourth ventricle is needed to increase the reliability and replicability of studies examining the choroid plexus in neurodevelopmental and brain disorders. This protocol provides detailed steps to create separately labeled files in 3D Slicer for the choroid plexus based on DICOM or NIFTI images. The choroid plexus will be manually segmented using the axial, sagittal, and coronal planes of T1w images making sure to exclude voxels from gray or white matter structures bordering the ventricles. Windowing will be adjusted to assist in the localization of the choroid plexus and its anatomical boundaries. Methods for assessing accuracy and reliability will be demonstrated as part of this protocol. Gold standard segmentation of the choroid plexus using manual delineations can be used to develop better and more reliable automated segmentation tools that can be openly shared to elucidate changes in the choroid plexus across the lifespan and within various brain disorders.

מחבר זרקור: גישור על פערים באנטומיה והקמת בסיס למחקרים אלגוריתמיים 

Despite the crucial role of the choroid plexus in the brain, neuroimaging studies of this structure are scarce due to the lack of reliable automated segmentation tools. The present protocol aims to ensure gold-standard manual segmentation of the choroid plexus that can inform future neuroimaging studies.

פילוח ידני של מקלעת הכורואיד האנושית באמצעות MRI מוח

The choroid plexus has been implicated in neurodevelopment and a range of brain disorders. Evidence demonstrates that the choroid plexus is critical for ...