이 작품은 국립 신경 장애 연구소와 스트로크에서 DE 권한 부여 번호 P50NS071675 (의료 연구를위한 Feinstein의 연구소에서 파킨슨 병 연구의 우수성 모리스 K. 유달 센터)에 의해 지원되었다. 내용은 전적으로 저자의 책임이며 반드시 국립 신경 장애 연구소 뇌졸중이나 건강의 국립 연구소의 공식 견해를 대변하지 않습니다. 스폰서는 연구 설계, 수집, 분석 및 데이터의 해석에 중요한 역할을 보고서의 작성 또는 게시에 대한 논문을 제출하기로 결정 있지 않았다.

1. 데이터 수집 및 전처리 <ol><li> SSM / PCA 방법은 다양한 소스와 양식에서 얻은 단일 볼륨 이미지에 적용 할 수 있습니다. 특히, 신진 대사의 현장 PET 이미징 들어, [18 F]로 적합한 방사성 핵종 추적을 준비-fluorodeoxyglucose (FDG) 및 각 환자에 관리 할 수 있습니다. 환자는 일반적으로 약물 떨어져 적어도 12 시간의 빠른 다음, 열린 눈으로 나머지 스캔됩니다. </li><li> 개인 또는 그룹 평가를위한 각 과목을 검사합니다. 패턴 유도를 들어, 성별 및 나이 일치 한 환자와 컨트롤의 동일한 수를 검색합니다. </li><li> 워크 스테이션에 데이터를 전송하고 플랫폼 분석을 위해 적절한 형식으로 변환합니다. MATLAB 분석 소프트웨어 (scanvp, ssm_pca, 근거를 둔 우리의 윈도우 PC <a href="http://www.feinsteinneuroscience.org" target="_blank">www.feinsteinneuroscience.org는</a> ) ANALYZE 요구하거나 nifti 형식 이미지 (Mayo 진료소, 로체스터, MN). 그것은 변환 루틴 t을 제공합니다O 변환 GE 사전 (밀워키, WI, USA)은 스캐너와 다른 형식의 이미지 포맷을 분석 할 수 있습니다. </li><li> 일반적으로 정위 공간 (예 : 몬트리올 신경학 연구소 [MNI] () 통계적 매개 변수 매핑 (SPM)과 표준의 neuroimaging 소프트웨어 패키지를 사용하여 각 과목의 이미지를 정상화 <a href="http://www.fil.ion.ucl.ac.uk/spm" target="_blank">http://www.fil.ion.ucl.ac.uk/spm</a> ) 주제 (그림 2) 사이의 복셀 값의 일대일 대응이되도록. 회색 물질 영역 (그림 3) 및 로그 변환에 대한 분석을 제한하는 마스킹은 다음 단계에 설명되어 있습니다. </li></ol> 2. 다변량 SSM / PCA를 수행 변수 SSM / PCA (그림 4 참조)에 대한 작업은 외부 소프트웨어에 의해 수행 할 수 있습니다. 단계는 우리의 사내 루틴 (그림 5) (스캔에 의해 자동으로 대부분의 수행 절차를 반영 아래 세분화VP / ssmpca, <a href="http://www.feinsteinneuroscience.org" target="_blank">www.feinsteinneuroscience.org가</a> ) SPM 도구 상자 ssm_pca로도 사용할 수 있습니다. <ol><li> 같은 흰색 물질과 심실로 복셀 공간의 불필요한 부분을 제거하기 위해 사용할 수 0 / 1 이미지를 사용하여 마스크 데이터입니다. ssmpca 루틴을 사용하여, 사용자는 기본 또는 다른 외부 마스크 (그림 3)을 선택하거나 프로그램이 자동으로 각 과목의 데이터 최대의 선택된 고정 %보다 낮은 값을 제거하여 마스크를 생성하도록하는 옵션이 제공됩니다. 개별 주제 마스크는 다음 복합 마스크를 결정하기 위해 곱합니다. 마스크 내의 영역은 분석을 위해 일반적인 아닌 복셀 공간을 정의합니다. </li><li> 연속적인 평면에서 순차 스캔 라인 (그림 4A)를 추가하여 하나의 연속 행 벡터에 각 과목의 3D 마스크 이미지 복셀 데이터를 변환합니다. 각 주제의 데이터가 특정 R에 대응되도록 그룹 데이터 매트릭스 (D)를 형성행렬의 아야. 각 열은 다음 과목에 걸쳐 특정 복셀을 나타냅니다. 이상적으로, 바이오 마커 유도를 위해, 행렬은 정상적인 제어 대상 데이터 및 질병 대상 데이터의 행의 동일한 숫자로 구성됩니다. </li><li> 로그 형식으로 각 데이터 항목을 변환 할 수 있습니다. </li><li> 센터는 각 행의 평균 또는 주제를 빼서 데이터 행렬은 행 요소에서 의미합니다. 모든 중심 행의 평균은 특성 그룹이 로그 이미지 (GMP, 그림 4A) 그룹 평균 프로파일라고 의미 나타냅니다. 해당 행렬 열 요소의 GMP의 요소 열 방법을 뺍니다. 이중 중심 행렬의 각 행은 &#39;잔여&#39;이미지 제목 잔류 프로필 (SRP) 해당 요소가 모두 대상의와 복셀 V 그룹 수단 (그림 4b)의 편차를 나타내는라고 부른다 나타냅니다. SRP SV = logD SV - 의미의 - GMP V </li><li> 피사체를 구축각 과목 쌍의 전 사이의 비 표준화 된 공분산을 계산하여 복합 이중 중심의 데이터 행렬의 요법에 의하여 피사체 공분산 행렬 C는 SRP 행렬의 행 제이 (그림 4b) 모든 복셀 V에 합산 해당 복셀 요소 제품으로 평가 . C IJ = Σ V (SRP IV X SRP JV) </li><li> 주체 별 주제 공분산 행렬 C에 PCA를 적용합니다. 결과는 관련된 고유 값에 따라 점수 고유 벡터의 집합이 될 것입니다. 해당 고유 값의 제곱근을 곱하여 각 벡터에 가중치를. 점수 고유 벡터의 집합은 그림 4C의 결과 행렬 S의 열을 기준으로 표시됩니다. </li><li> 고유 값의 동일한 집합에 대한 복셀 고유 벡터를 계산 proced 요구 적은 열 공분산 행렬에 의해 열을 PCA를 적용하거나 이러한 대안에 의해 결정 될 수있다URE (그림 4C)에 묘사. 고유 값의 순서 (그림 4C, 그림 6, 그림 7A)를 내림차순으로 복셀 패턴 고유 벡터의 배열 P를 파생 전치 SRP 매트릭스 이전에 파생 점수 벡터 행렬을 곱 떠났다. P = SRP T X S 각 열 벡터는 고유 값의 상대적 크기에 해당하는 (VAF)를 차지하고 총 분산의 백분율에 의한 SSM / PCA 분석의 주요 구성 요소 (PC) 이미지 패턴을 나타냅니다. </li></ol> 3. 패턴 바이오 마커 유도 <ol><li> 높은 VAF 값과 연결된 PC의 패턴을 결정하기 위해 앞의 분석 결과를 확인합니다. 우리의 일상에서, 복셀 패턴 벡터는 그 값들이 평균값에서 긍정과 부정 표준 편차를 나타내는 있도록 Z-변환됩니다. 그들은 다음 (그림 7A) 표시되기 전에 이미지 형식으로 재편된다. </li><li&gt; 어떤 경우에는 질환과 관련된 알려진 지역 편차 패턴은 시각적으로 식별 할 수 있습니다. 수학 공식은 PC와 연관된 점수를 모두 물리적으로 정확한 해석을 준수 뺀 곱한 될 수있는 경우에 해당 솔루션과 같은 파생 PC를 긍정적이고 부정적인 형태를 고려합니다. </li><li> 각 PC 패턴에 해당하는 점수를 막대 그래프와 산포도 (그림 7)로 표시됩니다. 선택적 ROC 플롯 (그림 7D)를 생성 할 수 있습니다. 질병 특정 패턴을 확인하려면 해당 두 샘플 t-테스트 및 AUC 값의 P-값으로 반영 환자와 컨트롤 사이의 과목 점수의 분화를 확인할 수 있습니다. 일부 고정 컷오프 값 (예를 들어, p &lt;0.05 VAF&gt; 5 %)에 대한 높은 VAF 및 높은 차별화와 연관된 PC에 분석을 제한합니다. 일반적으로 하나 또는 두 개의 PC를 PET 데이터에 대한이 기준을 만족시킨다. </li><li> VARI이 있습니다44 간주 할 수있는 PC 선택을위한 OU를 다른 방법. 고유 값이 퇴화하기 시작 위치를 순차적으로 고유 값 (그림 6)의 애추 그래프는 곡선의 굴곡에 의해 표현 날카로운 컷오프 값과 곡선의 기울기의 급격한 감소를 제공 할 수 있습니다. 또 다른 방법은 분산의 상위 50 %를 차지하고있는 모든 PC를 포함하는 것입니다. 널리 인정 절차는 환자와 컨트롤을 구별 할 수있는 최소 AIC 값과 모델을 정의의 PC 조합을 결정하는 아카 이케 정보 기준 (AIC) 45를 계산하는 것입니다. </li><li> 선택한 PC (들) 벡터 정규화 및 선형 단일 질병 관련 패턴을 산출하기 위해 결합 될 수있다. 우리의 소프트웨어는 선택 과목 점수에 적용 물류 또는 다른 회귀 모델에 따라 계수를 결정하기 위해 MATLAB 함수 glmfit를 사용합니다. 환자와 대조군의 분화는 일반적으로 드에서 고려 추가 PC를 향상 있지만,rivation 그룹은 결과 패턴은 하나의 실제 네트워크에 대응하지 않거나 이상치 편차 (그림 7a 및도 77)를 포함 할 수있는 복합 표현입니다. </li><li> 또한 검증은 신뢰성과 미래의 의미가 필요합니다. 반복 패턴 유도의 최소 표준 편차와 연결된 원래 파생 데이터 집합 내에서 가장 신뢰할 수있는 복셀을 식별하는 8 아래에 설명 된대로 부트 스트랩 리샘플링을 수행 할 수 있습니다. 앞으로 검증 프로토콜의 다음 부분에 설명 된 단일 과목 점수 평가 방법 (그림 4D)를 사용하여 환자와 컨트롤의 잠재 그룹에 대한 점수를 파생하여 독립적 인 그룹 차별의 민감도와 특이도를 테스트하기 위해 수행됩니다. </li></ol> 4. 소정의 바이오 마커를 사용하여 단일 대상 유망 점수 평가 <ol><li> 중요한 SSM-GIS 바이오 마커 패턴 회발견되었습니다, 미래의 주제에 그 표현에 대한 점수는 피사체의 SRP 벡터 및 GIS 패턴 벡터 (그림 4D, 그림 7D)의 내부 벡터 제품의 간단한 계산을 사용하여 해당 개인의 검사에서 평가할 수 있습니다. SCORE = SRPS • 패턴 </li><li> 이전 작업은 우리 TPR 루틴에 의해 자동화됩니다. 그러나 독립적 주제 SRPS 벡터는 로그 변환 된 데이터에 관련된 고유 GIS 마스크를 사용하여 피사체 평균과 단계 2.4에서와 같이 prederived 참조 그룹 GMP의 해당 복셀 값을 모두 빼 파생한다. 이 점수가 일정 기준 범위에 비교할 수 있다는 보장한다. 새 그룹에 대한 점수는 비슷하게 예상 한 과목 점수의 집합으로 평가 될 수있다. 패턴이 변경되는 동안 다른 참조 그룹 또는 설정을 사용하기 위해 GMP 재 보정 할 수 있습니다. </li></ol>

박사 Eidelberg은 신경계 부전 환자 (금전적 이익 제외) 상영하는 영상 표식의 사용에 두 개의 미국 특허의 공동 발명자로 표시됩니다. 더 이상 공개는 없습니다.

SSM / PCA 모델은 원래 묄러 등으로 제시 하였다. 4 신경 영상 데이터의 분석을위한 간단하고 강력한 기술로 1-3 진화했다. 그러나 우리가 여기와 이전의 출판물 5-7,10에 명확히하려고 한이 방법론의 응용 프로그램에서 모호성이 있었다. 이러한 문제 중 일부는 텍스트에서 해결되었습니다 있지만, 때문에 그들의 중요성을 여기서 다시 한번 강조합니다. 소개에 설명 된?...

퇴행성 신경 질환에 광범위하게 지역화 및 뇌 대사의 이상뿐만 아니라 지역의 상호 작용에게 17 연구 이외의 추론 방법을 정량화 기법을 이용하여 연구되어왔다. 이러한 주성분 분석 (PCA) 1,2,4,18 독립 성분 분석 (ICA) 19,20,뿐만 아니라 최소 부분 제곱 (PLS) 21 정규 서수 동향 등 감독 기술과 같은 데이터 중심의 다변량 분석 전략 variates 분석 (ORT / CVA) 22 특징 패턴이나 상호 활동의 &quot;네트워크&quot;를 공개 할 수 있습니다. 특히 다변량 절차 축소 subprofile 모델 (SSM)의 기초가 1,2,4-6,18 이전 조브 3에 설명되어있다. 이 PCA 기반의 접근 방식은 원래 뇌의 혈액 흐름과 신진 대사 ACQ의 정상 상태 단일 볼륨 이미지에서 뇌 영역 사이의 비정상적인 기능 공분산 관계를 조사하기 위해 개발되었습니다높은 신호 대 잡음 특성을 나타내는 등 PET 및 SPECT와 같은 양식의 휴식 상태에서 uired. 질병 특정 SSM 패턴은 정상인 7,16에 비해 단일 네트워크 프로세스 나 여러 가지 복잡한 비정상적인 기능 (23)의 동화를 반영하는 환자에서 지역의 지형 전반적인 차이를 반영 이미징 생체 있습니다. 대사 공분산 패턴 두뇌 네트워크는 정상과 질병의 그룹을 구별 질병의 심각도의 임상 적 평가와 연관 네트워크 기반 조치를 제공 할 수있는 표현식 값 (적용 점수)와 연결됩니다. 일반적으로 이러한 패턴에 따라 점수가 질병의 진행과 함께 증가에도 증상이 발병 14,24 전에 표현 될 수있다. 사실, 질병 관련 네트워크 생체는 파킨슨 병 10 (PD), 헌팅턴의 질병 25 (HD) 및 알츠하이머 병 8과 같은 신경 퇴행성 질환에 대한 특징되었습니다 </&gt; (AD)을 먹다. 중요한 질병 관련 대사 지형도는 또한 여러 시스템 위축 (MSA)와 진보적 인 핵상 마비 (PSP)와 같은 비정형 파킨슨 병 운동 장애에 대한 확인되었습니다. 이러한 패턴은 12,13,26 임상 적으로 유사한 &quot;비슷하게&quot;증후군과 개인의 감별 진단을 위해 콘서트에 사용되었습니다. 대조적으로, 일반적인 fMRI를 복셀 기반 변량 방법은 고립 된 두뇌 클러스터에있는 환자와 컨트롤 사이의 차이의 중요성을 평가합니다. 더 최근에, 방법은 다양하게 정의 뇌 영역 27 ~ 29 사이의 기능적 연결성을 측정하기 위해 개발되었습니다. 기능적 연결이 정의 제목과 지역 고유의 공간적 분포 두뇌 네트워크 지역 1,2,23,30의 단면 상호 참조하는 원래의 SSM / PCA 개념의 특정 상호 작용 이상자로 제한됩니다. 자신의 장점, MRI 플랫폼에다시 쉽게 설치, 널리 사용되는 비 침습적 일반적으로 최근의 문헌에서 설명하는 잠재적 인 방법의 급증의 결과로 이러한 PET 나 SPECT와 같은 전통적인 방사성 영상 방식보다 짧은 스캔 시간이 필요합니다. 그러나 결과 시간에 따른 fMRI를 신호는 지역의 신경 활동 31,32의 간접적 인 측정을 제공합니다. 고용 일반적으로 복잡한 분석 알고리즘은 데이터 집합의 큰 크기, fMRI를 신호 고유의 생리적 소음뿐만 아니라, 주제 및 지역 19,23 사이에 존재하는 뇌 활동의 높은 변동성에 의해 제한되었다. 뇌 조직에 관한 흥미로운 정보가 fMRI를 &#39;네트워크&#39;의 속성에서 유추 할 수 있지만, 그들은 믿을 수있는 질병 바이오 마커로 사용될 충분히 안정되지 않았습니다. 또한, 그 결과 네트워크 지형도는 SSM / PCA 설립 기능적 이미징 방법을 사용하여 식별 것과 반드시​​ 해당되지 않습니다. 일에 대한전자 대부분의 부분은, 결과 fMRI를 지형도의 교차 유효성 검사 엄격한 단일 사례에서 미래의 스캔 데이터에서 파생 된 패턴을 성공적으로 전달 응용 프로그램의 몇 가지 예에 부족했습니다. PCA 공분산 분석의 장점은 처음 몇 주 구성 요소의 데이터 변화의 가장 중요한 소스를 식별하는 능력에 달려 있지만, 눈에 띄는 고유 벡터가 아닌 실제 고유의 네트워크 응답보다 랜덤 노이즈 요소를 나타내는 경우는 효과가있다. 첫 번째 몇 가지 고유 벡터를 선택하고 환자를 대 정상 대조군의 점수에 큰 차이를 표시하는 사람들에게 제한함으로써, 우리는 매우 잡음 요소의 영향을 줄일 수 있습니다. 그러나 여기에 설명 된 기본 접근 방식, 이러한 조치는 아래에 설명 된 양식을 제외하고 일반적인 fMRI를 데이터 집합의 강력한 추정량을 생성하기에 충분하지 않을 수 있습니다. 따라서, 지역 G의 안정 직접적인 관계 때문에lucose 대사와 시냅스 활동 33,이 방법은 휴식 상태 FDG PET 데이터의 분석에 주로 적용되었습니다. 그러나 사용 된 대뇌 혈류 (CBF) 밀접하게 휴식 상태 10,11,34, SPECT 35,36 그리고 더 최근의 동맥 스핀 라벨링 (ASL) MRI 관류 영상 방법 37,38의 신진 대사 활동에 결합되어 주어진 각각의 경우에 비정상적인 신진 대사 활동을 평가한다. 즉, 휴식 상태 fMRI를 (rsfMRI) 안심 공간 공분산 패턴의 유도는 앞에서 31,32 간단하지 지적이다 말했다. 그럼에도 불구하고, PD 환자와 대조군에서 rsfMRI 데이터의 예비 SSM / PCA 분석은 질병 관련 패턴 사이에 어떤 지형 동성이 BOLD fMRI를 39,40의 두 가지 양식, 애완 동물과 낮은 주파수 변동의 진폭 (ALFF)를 사용하여 식별 밝혔다 . 마지막으로, 우리는 또한이 방법은 복셀 기반 모토에서 성공적으로 적용되었는지주의연령과 관련된 볼륨 손실과 같은 과목 43 VBM과 ASL 패턴의 추가 비교에 관련된 독특한 공간 공분산 패턴을 공개 metry (VBM) 구조 MRI 데이터 41,42. 다른 분석 방법 및 이미징 플랫폼을 사용하여 SSM / PCA 공간 공분산 지형 및 확인 유사한 뇌 네트워크 사이의 관계는 지속적인 조사의 주제입니다.

<table><tbody><tr><td colspan="4">&lt;em&gt;Image Acquisition&lt;/em&gt; </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>&lt;a href=&quot;http://www.lenovo.com/us/en/&quot; target=&quot;_blank&quot;&gt;http://www.lenovo.com/us/en/&lt;/a&gt;</td></tr><tr><td colspan="4">&lt;em&gt;Radiopharmaceuticals&lt;/em&gt; </td></tr><tr><td>[&lt;sup&gt;18&lt;/sup&gt;F]-fluorodeoxyglucose</td><td>Feinstein Institute for Medical Research</td><td>Routine Production</td><td>Also distributed by Cardinal Health &lt;a href=&quot;http://www.cardinal.com/&quot; target=&quot;_blank&quot;&gt;http://www.cardinal.com/&lt;/a&gt; </td></tr><tr><td colspan="4">&lt;em&gt;Software&lt;/em&gt; </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>&lt;a href=&quot;http://www.feinsteinneuroscience.org/&quot; target=&quot;_blank&quot;&gt;www.feinsteinneuroscience.org&lt;/a&gt;</td></tr><tr><td>SPM</td><td>The UCL Institute of Neurology</td><td>spm99-spm8</td><td>&lt;a href=&quot;http://www.fil.ion.ucl.ac.uk/spm&quot; target=&quot;_blank&quot;&gt;http://www.fil.ion.ucl.ac.uk/spm&lt;/a&gt;</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>&lt;a href=&quot;http://www.mathworks.com/&quot; target=&quot;_blank&quot;&gt;http://www.mathworks.com/&lt;/a&gt;</td></tr><tr><td>JMP</td><td>SAS</td><td>Version 5</td><td>&lt;a href=&quot;http://www.jmp.com/&quot; target=&quot;_blank&quot;&gt;http://www.jmp.com/&lt;/a&gt;</td></tr></tbody></table>

identification of disease-related spatial covariance patterns using neuroimaging data

스케일 subprofile 모델 (SSM) 1-4 작은 구성 요소 (그림 1)을 거부하면서 환자와 대조군의 뇌 영상 데이터에 변화의 주요 소스를 식별하는 변수 PCA 기반의 알고리즘입니다. 정상 상태 multimodality 이미지 복셀 별 복셀 공분산 데이터에 직접 적용, 그룹 이미지 전체 세트는 몇 가지 중요한 선형 독립적 인 공분산 패턴과 해당 과목 점수를 줄일 수 있습니다. 각 패턴은 그룹 불변 subprofile (GIS)는, 기능적으로 상호 뇌 영역의 공간적 분산 네트워크를 나타내는 직교 주요 구성 요소입니다라고합니다. 작은 네트워크 별 기여를 가릴 수있는 대형 글로벌 평균 스칼라 효과는 고유의 로그 변환에 의해 제거하고 데이터 2,5,6의 중심 의미합니다. 주제 독립적 clin와 연관 할 수있는 간단한 스칼라 점수로 표시되는 변수도 이러한 패턴을 각각 표현iCal의 또는 심리 설명 7,8. 주제 점수 (즉, 패턴 표현식 값)의 로지스틱 회귀 분석을 사용하여 선형 계수는 건강한 대조군 5,6에서 환자의 향상 차별 하나의 질병 관련 공간 공분산 패턴, 즉 복합 네트워크에 여러 개의 주요 구성 요소를 결합하는 파생 될 수 있습니다. 파생 세트 내에서 교차 유효성 검사는 부트 스트랩 리샘플링 기술에게 9를 사용하여 수행 할 수 있습니다. 앞으로 검증은 쉽게 10 예비 데이터 집합에서 파생 패턴의 직접적인 점수 평가에 의해 확인된다. 정품 확인이 완료되면, 질병 관련 패턴은 사용 된 건강한 주제의 자주 세트 (질병 그룹) 원래 패턴 유도 11, 고정 된 기준 샘플에 대해 개별적인 환자를 ​​득점하는 데 사용할 수 있습니다. 이러한 표준화 된 값을 차례로 감별 진단 12,13을 지원하고 질병을 평가하는 데 사용할 수 있습니다네트워크 수준 7,14-16의 진행과 치료에 효과. 우리는 질병의 특성 공분산 패턴 바이오 마커를 유도하기 위해 사내 소프트웨어를 사용하여 파킨슨 병 환자와 정상 대조군의 FDG PET 데이터에이 방법론의 적용 예를 제시한다.

변수 SSM / PCA 분석의 간단한 응용 프로그램이 PD에 대한 신경 영상 바이오 마커 패턴을 도출하려면 아래 설명되어 있습니다. 10 세의 PET FDG 이미지는 임상 변수 병에 걸린 기간의 PD 환자 (6M/4F, 59y ± 7Y SD) (9Y ± 5 년 SD) 진단에서 10 나이와 성별은 정상 대조군과 일치 (6M/4F, 58y ± 7Y SD)를 사용하여 분석 하였다 우리 ssmpca 루틴. 스물 해당 공간적 사전 정규화 된 영상은 처음에 기본 마스크 (그...

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

주성분 분석 (PCA) 등의 다변량 기술은 기능적 뇌 영상에서 지역 변화의 서명 패턴을 식별하는 데 사용되었습니다. 우리는 퇴행성 신경 질환의 진단, 질병의 진행 평가, 환자 집단에서 치료 효과를 객관적으로 평가를 재현 네트워크 생체를 식별하는 알고리즘을 개발했습니다.

신경 영상 데이터를 사용하여 질병과 관련된 공간 공분산 패턴의 식별

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

15.6K 조회수.  The Feinstein Institute for Medical Research. 주성분 분석 (PCA) 등의 다변량 기술은 기능적 뇌 영상에서 지역 변화의 서명 패턴을 식별하는 데 사용되었습니다. 우리는 퇴행성 신경 질환의 진단, 질병의 진행 평가, 환자 집단에서 치료 효과를 객관적으로 평가를 재현 네트워크 생체를 식별하는 알고리즘을 개발했습니다.

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

Basics of Multivariate Analysis in Neuroimaging Data

Multivariate analysis techniques for neuroimaging data have recently received increasing attention as they have many attractive features that cannot be easily realized by the more commonly used univariate, voxel-wise, techniques1,5,6,7,8,9. Multivariate approaches evaluate correlation/covariance of activation across brain regions, rather than proceeding on a voxel-by-voxel basis. Thus, their results can be more easily interpreted as a signature of neural networks. Univariate approaches, on the other hand, cannot directly address interregional correlation in the brain. Multivariate approaches can also result in greater statistical power when compared with univariate techniques, which are forced to employ very stringent corrections for voxel-wise multiple comparisons. Further, multivariate techniques also lend themselves much better to prospective application of results from the analysis of one dataset to entirely new datasets. Multivariate techniques are thus well placed to provide information about mean differences and correlations with behavior, similarly to univariate approaches, with potentially greater statistical power and better reproducibility checks. In contrast to these advantages is the high barrier of entry to the use of multivariate approaches, preventing more widespread application in the community. To the neuroscientist becoming familiar with multivariate analysis techniques, an initial survey of the field might present a bewildering variety of approaches that, although algorithmically similar, are presented with different emphases, typically by people with mathematics backgrounds. We believe that multivariate analysis techniques have sufficient potential to warrant better dissemination. Researchers should be able to employ them in an informed and accessible manner. The current article is an attempt at a didactic introduction of multivariate techniques for the novice. A conceptual introduction is followed with a very simple application to a diagnostic data set from the Alzheimer s Disease Neuroimaging Initiative (ADNI), clearly demonstrating the superior performance of the multivariate approach.

The current article describes the basics of multivariate analysis and contrasts it to the more commonly used voxel-wise univariate analysis. Both types of analysis are applied to a clinical-neuroscience data set. Supplementary split-half simulations show better replication of the multivariate results in independent data sets.

데이터 Neuroimaging에서 복수 변수 분석의 기초

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

연구

신경과학

Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example

Magneto- and electroencephalography (MEG/EEG) are neuroimaging techniques that provide a high temporal resolution particularly suitable to investigate the cortical networks involved in dynamical perceptual and cognitive tasks, such as attending to different sounds in a cocktail party. Many past studies have employed data recorded at the sensor level only, i.e., the magnetic fields or the electric potentials recorded outside and on the scalp, and have usually focused on activity that is time-locked to the stimulus presentation. This type of event-related field / potential analysis is particularly useful when there are only a small number of distinct dipolar patterns that can be isolated and identified in space and time. Alternatively, by utilizing anatomical information, these distinct field patterns can be localized as current sources on the cortex. However, for a more sustained response that may not be time-locked to a specific stimulus (e.g., in preparation for listening to one of the two simultaneously presented spoken digits based on the cued auditory feature) or may be distributed across multiple spatial locations unknown a priori, the recruitment of a distributed cortical network may not be adequately captured by using a limited number of focal sources.
Here, we describe a procedure that employs individual anatomical MRI data to establish a relationship between the sensor information and the dipole activation on the cortex through the use of minimum-norm estimates (MNE). This inverse imaging approach provides us a tool for distributed source analysis. For illustrative purposes, we will describe all procedures using FreeSurfer and MNE software, both freely available. We will summarize the MRI sequences and analysis steps required to produce a forward model that enables us to relate the expected field pattern caused by the dipoles distributed on the cortex onto the M/EEG sensors. Next, we will step through the necessary processes that facilitate us in denoising the sensor data from environmental and physiological contaminants. We will then outline the procedure for combining and mapping MEG/EEG sensor data onto the cortical space, thereby producing a family of time-series of cortical dipole activation on the brain surface (or "brain movies") related to each experimental condition. Finally, we will highlight a few statistical techniques that enable us to make scientific inference across a subject population (i.e., perform group-level analysis) based on a common cortical coordinate space.

We use magneto- and electroencephalography (MEG/EEG), combined with anatomical information captured by magnetic resonance imaging (MRI), to map the dynamics of the cortical network associated with auditory attention.

동시 멕 / EEG와 해부학적인 몸의 구조 제약 최소 - 표준 견적을 사용하여 매핑 두피 역학 : 청각주의 예

Magneto- and electroencephalography (MEG/EEG) are neuroimaging techniques that provide a high temporal resolution particularly suitable to investigate the ...

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.

neurodegenerative 질병의 분석에서 확산 텐서 자기 공명 영상

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

의학

Brain Infarct Segmentation and Registration on MRI or CT for Lesion-symptom Mapping

In lesion-symptom mapping (LSM), brain function is inferred by relating the location of acquired brain lesions to behavioral or cognitive symptoms in a group of patients. With recent advances in brain imaging and image processing, LSM has become a popular tool in cognitive neuroscience. LSM can provide fundamental insights into the functional architecture of the human brain for a variety of cognitive and non-cognitive functions. A crucial step in performing LSM studies is the segmentation of lesions on brains scans of a large group of patients and registration of each scan to a common stereotaxic space (also called standard space or a standardized brain template). Described here is an open-access, standardized method for infarct segmentation and registration for the purpose of LSM, as well as a detailed and hands-on walkthrough based on exemplary cases. A comprehensive tutorial for the manual segmentation of brain infarcts on CT scans and DWI or FLAIR MRI sequences is provided, including criteria for infarct identification and pitfalls for different scan types. The registration software provides multiple registration schemes that can be used for processing of CT and MRI data with heterogeneous acquisition parameters. A tutorial on using this registration software and performing visual quality checks and manual corrections (which are needed in some cases) is provided. This approach provides researchers with a framework for the entire process of brain image processing required to perform an LSM study, from gathering of the data to final quality checks of the results.

Provided here is a practical tutorial for an open-access, standardized image processing pipeline for the purpose of lesion-symptom mapping. A step-by-step walkthrough is provided for each processing step, from manual infarct segmentation on CT/MRI to subsequent registration to standard space, along with practical recommendations and illustrations with exemplary cases.

병변 증상 매핑을 위한 MRI 또는 CT에 대한 뇌 경색 세분화 및 등록

In lesion-symptom mapping (LSM), brain function is inferred by relating the location of acquired brain lesions to behavioral or cognitive symptoms in a ...

행동분석학

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.

시간에 걸쳐 fMRI를 다 복셀 정보의 동시 출현을 측정하는 정보를 제공하는 연결을 사용하여

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

A Multimodal Imaging- and Stimulation-based Method of Evaluating Connectivity-related Brain Excitability in Patients with Epilepsy

Resting-state functional connectivity MRI (rs-fcMRI) is a technique that identifies connectivity between different brain regions based on correlations over time in the blood-oxygenation level dependent signal. rs-fcMRI has been applied extensively to identify abnormalities in brain connectivity in different neurologic and psychiatric diseases. However, the relationship among rs-fcMRI connectivity abnormalities, brain electrophysiology and disease state is unknown, in part because the causal significance of alterations in functional connectivity in disease pathophysiology has not been established. Transcranial Magnetic Stimulation (TMS) is a technique that uses electromagnetic induction to noninvasively produce focal changes in cortical activity. When combined with electroencephalography (EEG), TMS can be used to assess the brain's response to external perturbations. Here we provide a protocol for combining rs-fcMRI, TMS and EEG to assess the physiologic significance of alterations in functional connectivity in patients with neuropsychiatric disease. We provide representative results from a previously published study in which rs-fcMRI was used to identify regions with abnormal connectivity in patients with epilepsy due to a malformation of cortical development, periventricular nodular heterotopia (PNH). Stimulation in patients with epilepsy resulted in abnormal TMS-evoked EEG activity relative to stimulation of the same sites in matched healthy control patients, with an abnormal increase in the late component of the TMS-evoked potential, consistent with cortical hyperexcitability. This abnormality was specific to regions with abnormal resting-state functional connectivity. Electrical source analysis in a subject with previously recorded seizures demonstrated that the origin of the abnormal TMS-evoked activity co-localized with the seizure-onset zone, suggesting the presence of an epileptogenic circuit. These results demonstrate how rs-fcMRI, TMS and EEG can be utilized together to identify and understand the physiological significance of abnormal brain connectivity in human diseases.

Resting-state functional-connectivity MRI has identified abnormalities in patients with a wide range of neuropsychiatric disorders, including epilepsy due to malformations of cortical development. Transcranial Magnetic Stimulation in combination with EEG can demonstrate that patients with epilepsy have cortical hyperexcitability in regions with abnormal connectivity.

간질 환자의 뇌 흥분을 연결 관련 평가하는 멀티 모달 Imaging- 및 자극 기반 방법

Resting-state functional connectivity MRI (rs-fcMRI) is a technique that identifies connectivity between different brain regions based on correlations ...

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.

비침습적 뇌전도를 이용한 피질 연결의 통계적 모델링

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

fNIRS 연구의 혁명: 신경 결합에 대한 새로운 접근 방식

New Framework for Understanding Cross-Brain Coherence in Functional Near-Infrared Spectroscopy (fNIRS) Hyperscanning Studies

Despite the growing body of functional near-infrared spectroscopy (fNIRS) hyperscanning studies, the assessment of coupling between two neural signals using wavelet transform coherence (WTC) seems to ignore the directionality of the interaction. The field is currently lacking a framework that allows researchers to determine whether a high coherence value obtained using a WTC function reflects in-phase synchronization (i.e., neural activation is seen in both members of the dyad at the same time), lagged synchronization (i.e., neural activation is seen in one member of the dyad prior to the other member), or anti-phase synchronization (i.e., neural activation is increased in one member of the dyad and decreased in the other). To address this need, a complementary and more sensitive approach for analyzing the phase coherence of two neural signals is proposed in this work. The toolbox allows investigators to estimate the coupling directionality by classifying the phase angle values obtained using traditional WTC into in-phase synchronization, lagged synchronization, and anti-phase synchronization. The toolbox also allows researchers to assess how the dynamics of interactions develop and change throughout the task. Using this novel WTC approach and the toolbox will advance our understanding of complex social interactions through their uses in fNIRS hyperscanning studies.

저자 스포트라이트: fNIRS 연구에서 새로운 통찰력 확보 - 뇌 간 동기화 분석을 위한 새로운 프레임워크 

Wavelet transform coherence (WTC) is a common methodology for assessing the coupling between signals that is used in functional near-infrared spectroscopy (fNIRS) hyperscanning studies. A toolbox for assessing the directionality of the signal interaction is presented in this work.

기능적 근적외선 분광법(fNIRS) 하이퍼스캐닝 연구에서 교차 뇌 일관성을 이해하기 위한 새로운 프레임워크

Despite the growing body of functional near-infrared spectroscopy (fNIRS) hyperscanning studies, the assessment of coupling between two neural signals ...

신경 영상 데이터를 사용하여 질병과 관련된 공간 공분산 패턴의 식별

요약

더 많은 비디오 탐색

이 비디오의 챕터

데이터 Neuroimaging에서 복수 변수 분석의 기초

동시 멕 / EEG와 해부학적인 몸의 구조 제약 최소 - 표준 견적을 사용하여 매핑 두피 역학 : 청각주의 예

neurodegenerative 질병의 분석에서 확산 텐서 자기 공명 영상

병변 증상 매핑을 위한 MRI 또는 CT에 대한 뇌 경색 세분화 및 등록

시간에 걸쳐 fMRI를 다 복셀 정보의 동시 출현을 측정하는 정보를 제공하는 연결을 사용하여

간질 환자의 뇌 흥분을 연결 관련 평가하는 멀티 모달 Imaging- 및 자극 기반 방법

비침습적 뇌전도를 이용한 피질 연결의 통계적 모델링

기능적 근적외선 분광법(fNIRS) 하이퍼스캐닝 연구에서 교차 뇌 일관성을 이해하기 위한 새로운 프레임워크

기능적 근적외선 분광법(fNIRS) 하이퍼스캐닝 연구에서 교차 뇌 일관성을 이해하기 위한 새로운 프레임워크

기능적 근적외선 분광법(fNIRS) 하이퍼스캐닝 연구에서 교차 뇌 일관성을 이해하기 위한 새로운 프레임워크