Name: basics of multivariate analysis in neuroimaging data
Uploaded: 2010-07-24T17:00:00
Duration: 6 min 35 s
Description: Watch this Scientific Journal Video about Basics of Multivariate Analysis in Neuroimaging Data at JoVE.com

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><li> Чтобы дать общее представление о механизме многомерного анализа мы можем картина очень простая ситуация: гипотетический набор данных для 50 человек участников, где только в трех регионах, обозначаемая как вокселей (= 3-мерные пиксели на рисунке 1) в головном мозге были измерены. (Вставка Рисунок 1 здесь, читайте заголовок как голос поверх.) </li><li> Общая цель многофакторного анализа является выявление основных источников различия в данных, а затем описывающие основные эффекты интерес к данным через эти источники дисперсии. На рисунке 2 показан упрощенный пример. (Вставка Рисунок 2 здесь, читайте заголовок как голос поверх.) </li><li> Теперь применим как одномерного и многомерного анализа клинических данных. Мы загрузили ФДГ-ПЭТ отдыха сканирует на наличие ранних 95 пациентов с болезнью Альцгеймера и 102 возраста из контрольной группы с сайта Болезнь Альцгеймера нейровизуализации инициатива (http://www.loni.ucla.edu/ADNI/). Мы случайно выбрал 20 сканирует как пациентов, так и средства управления и назначил их в нашем выводе образца. Остальные 75 и 82 сканирует, соответственно, составляют нашу репликации образца. Одномерный и многомерный болезни Альцгеймера (БА) маркеры теперь будет получена в выводе образца, и их диагностическая эффективность испытания в репликации образца. </li><li> Для одномерного маркера, мы противопоставляем 20 AD сканирует с 20 контроля проверяет при получении образцов и выбрать место мозга, которая показывает наибольшее уменьшение в ПЭТ-сигнала в больных АД, как показано на Т-тест. Для проверки диагностической эффективности данной области, мы проверяем данные в репликации образец в этом месте и построим график его ПЭТ-сигнала в зависимости от статуса заболевания. </li><li> Для многомерных маркер, мы в первую очередь выполните СПС на комбинированный 40 сканирований в выводе образца, а затем построить ковариационная узор из первых 5 основных компонентов, предметом которого коэффициент масштабирования показывает максимальное средняя разница между АД больных и здоровых людей. (Детали можно найти в этих работах представителя 2.) Диагностический шаблон ковариационная получены формы вывода Затем образец перспективно применяется к репликации образца. В результате факторов тема масштабирования приведены в зависимости от статуса заболевания. </li><li> Чтобы дать более общее сравнение обоих одномерного и многомерного подходов, начиная с шага 4 и 5, мы выполняем &quot;раскола образец&quot; Моделирование и повторите шаги как в 1000 раз по понижается данных, каждый раз образуя 20/20 вывод образца и 75/82 Репликация AD больных и здоровых заново управления. Одномерный и многомерный маркеров заболевания вычисляются из вывода образца и решение порог устанавливается так, что более чем на 1 здорового управления неправильно классифицирован как AD (= специфичность 95%). Маркеров заболевания с их специфическими пороги решение затем проспективно применены к репликации образцов. Классификация процент ошибок в репликации образца записываются для всех передискретизации итераций. </li></ol> Представитель Результаты Одномерный производительность результаты можно увидеть подробно на рисунке 3. Территорию крупнейшего AD связанных дефицит ФДГ было найдено в супер височной извилины, Бродмана области 38. Площадь под ROC-кривой была достигнута AUC = 0,90. Обобщение этой отличие от репликации образец был весьма хорош с площади под кривой РПЦ AUC = 0,84. Многомерный производительность результатами можно ознакомиться подробно на рисунке 4. Участки с положительными нагрузками, намекая на относительную сохранность сигнала в лице заболевания были обнаружены в мозжечке, в то время как связанные потери сигнала был обнаружен височно-теменной и лобной областях, а также задний извилины поясной извилины. Площади под ROC-кривой в обоих вывод и репликации образцы были немного лучше, чем одномерный маркер в 0,96 и 0,88, соответственно. Сплит-образец моделирования результаты можно увидеть подробно на рисунке 5. Рисунка видно, что многомерный маркер дает лучшие репликации диагностических производительность, чем одномерный маркером. Средний общий уровень ошибок для многомерного маркер 0,203, тогда как для одномерного маркера это 0,307. <img src="/files/ftp_upload/1988/1988fig1.jpg" alt="Рисунок 1" /> . Рисунок 1 Эта простая фигура описывает разницу между одномерной и многомерной аналитической стратегии: гипотетический 3-мерные набор данных, отображаемых на этой иллюстрации. С левой стороны, нет никакой корреляции между 3 переменных построены. На правой стороне напротив, можно видеть главный источник дисперсии указывает положительная корреляция между всеми тремя вокселей. Одномерного анализа, который только что рассмотрели средние значения по воксела-на-воксела основе не мог сказать, никакой разницы между этими двумя сценариями. Многомерный анализ, в отличие, определяет основные источники Varianсе в данных (красная стрелка), прежде чем приступить к строить нейронные структуры форму активации этих источников. <img src="/files/ftp_upload/1988/1988fig2.jpg" alt="Рисунок 2" /> Рисунок 2. На этом слайде показана в упрощенном виде основные осуществлению любого многомерного анализа данных нейровизуализации. Массив данных Y (з, х), которая зависит от предметный указатель с, а воксела индекс х, с указанием расположения воксела в мозг, распадается на сумму нескольких слагаемых. Во-первых, продукт чисто предметно-зависимых факторов оценка, SSF (ы), и чисто воксела зависит от ковариации образца, и (х). Во-вторых, активация, которые не могут быть объяснены ковариационная модель фиксируется в субъект-и воксела зависит от шума термин, е (с, х). Два графических ниже уравнение приведем пример предметом фактор масштабирования и ковариационная модель. Каждый участник проявляет ковариационная модель, только в разной степени, как показано на тему оценка фактора. Вместо того, чтобы отслеживать поведение каждого воксела по отдельности, картина ковариантности и ее предмет выражения обеспечивают скупым резюме основной источник дисперсии. В качестве объекта увеличивается коэффициент масштабирования по величине, областей обозначается синим цветом в ковариационная модель снижение связанных с ними активации, в то время областях, указанных в красном одновременно увеличит связанные с ними активации. Предметом оценки фактора могут быть соотнесены с внешним переменных, представляющих интерес как предмет возраста или поведенческих производительность в когнитивных задач, а не поправки на множественные сравнения должен быть применен к этой корреляции. Несколько методов для такого разложения существуют, но наиболее распространенным является анализ главных компонент (PCA). Это методом выбора для нас. Обратите внимание, что предметом коэффициенты масштабирования может быть получен путем проецирования ковариационная модель в любой набор данных, равной размерности, а не просто набор данных, который производится ковариационная модель в первую очередь. Это делает ковариационной модели подходят для тестирования ли мозг-поведенческих отношений, которые были замечены в одном наборе данных могут быть воспроизведены в другой набор данных. <img src="/files/ftp_upload/1988/1988fig3.jpg" alt="Рисунок 3" /> Рисунок 3. На этом рисунке показано результате одномерного анализа. В нижней левой панели, значения ФДГ сигнала построены для области, которая показывает, крупнейший AD связанных дефицит в выводе образца. Его MNI координаты X = 2 мм, Y = -48 мм, Z = 30 мм (предклинье / PCG, Бродмана Площадь 31). Нижняя правая панель показывает сигнал ФДГ на этом самом месте в репликации образца. Можно понять, что различия между ФДГ больных АД и контроль в сфере тиражирования образца, в то же время существенное общее, сводятся с более перекрытия между группами. <img src="/files/ftp_upload/1988/1988fig4.jpg" alt="Рисунок 4" /> Рисунок 4. На этом рисунке показаны результаты многомерного анализа. В верхней панели, мы показываем несколько аксиальных срезов, которые показывают существенно положительно и отрицательно взвешенный областей (р &lt;0,001) в ковариационная модель в красном и синем, соответственно. Обратите внимание, что мы масштабируется в каждом цикле с его глобальным средним значением, так что красные и синие цвета указывают на относительные и абсолютные, а увеличивается, а уменьшается ПЭТ-сигнал с тяжестью заболевания. Красные области таким образом намекают на относительную сохранность перед лицом болезни, а синий указывает потеря сигнала, как следствие болезни. Красные области находятся главным образом в мозжечке, а синие области появляются в задней поясной извилины, височно-теменной и лобной областях. Нижняя левая панель: предмет оценки фактора AD связанных ковариационная модель отображаются в выводе образца. Высшие оценки предмета найдены больных АД. Нижняя правая панель: предмет оценки фактора в результате перспективного применения AD связанных ковариационная модель для тиражирования образцов приведены здесь. Можно оценить небольшое ухудшение диагностического контраста с увеличением перекрытия в репликации образца, но обобщение диагностическая эффективность заметно лучше, чем в случае одномерной. <img src="/files/ftp_upload/1988/1988fig5.jpg" alt="Рисунок 5" /> Рисунок 5. На этом рисунке показаны результаты 1000 сплит-образец моделирования. Перечислены средства и стандартные отклонения одномерных и многомерных диагностических процент ошибок в репликации образцов. Можно понять, что обобщение многомерной маркера производительности значительно лучше, хотя и несколько более изменчивы, чем одномерный маркера.

<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>

Нет конфликта интересов объявлены.

Мы надеемся, что данный зрителя аромат основами многомерного анализа, заинтересованы зрителям предлагается посетить веб-узел. Несколько вариантов для параметров в многомерном анализе было отмечено, что может быть предметом дискуссии на значительные споры. Мы избавлены от обсуждения этих вопросов в этой статье, чтобы не отвлекаться от главных проблем. Во-первых, мы выбрали первые 6 Основные компоненты для построения нашей эры связанных ковариационная модель. Существуют теоретические основания для такого выбора, что мы не обсуждали 4. Конкретный выбор из 6 основных компонентов, хотя это не является критическим для нашей аргументации: можно выбрать в диапазоне от 2 до 20 ПК и до сих пор получить превосходную производительность обобщение многомерной маркер в сплит-образец моделирования. Результаты так же надежной по отношению к выбору количества предметов в выводе и тиражирования образцов. Мы выбрали 20 пациентов в обеих группах в репликации образца, но это было чисто для математического удобства для ускорения вычислений. Наши результаты о сравнительных достоинствах обоих методов будет проводить аналогично, если количество предметов в выводе образцы были увеличены. Во-вторых, мы только представили самые основные виды многомерного анализа. Значительное осложнение с методами заимствованные из машинного обучения литературе, линейных и нелинейных преобразований до СПС, и различные другие морщины возможно, что может повысить производительность обобщения еще больше. Для простоты мы не затронули эти возможности в этой статье.

basics of multivariate analysis in neuroimaging data

Многомерный анализ методов нейровизуализации данных в последнее время уделяется все больше внимания, поскольку они имеют много привлекательных черт, которые не могут быть легко реализованы наиболее часто используемые одномерные, воксела-мудрый, методы<sup&gt; 1,5,6,7,8,9</sup&gt;. Многомерный подходы оценки корреляции / ковариаций активации через отделы головного мозга, а не идет по воксела-на-воксела основе. Таким образом, их результаты могут быть легко интерпретированы как подпись нейронных сетей. Одномерные подходы, с другой стороны, не может напрямую обратиться межрегиональной корреляции в мозг. Многомерный подход может также привести к большей статистической мощности по сравнению с одномерными методами, которые вынуждены применять очень жесткие корректировки воксела стрелке множественных сравнений. Кроме того, многомерные методы также поддаются гораздо лучше перспективным применение результатов анализа одного набора данных к совершенно новым наборам данных. Многомерные методы, таким образом, хорошие возможности для предоставления информации о разности средних и корреляции с поведением, как и одномерные подходы, с потенциально большей статистической мощности и более эффективной системы сдержек воспроизводимости. В отличие от этих преимуществ является высокий барьер входа на использование многомерного подхода, не позволяя более широкое применение в обществе. Чтобы невролог ознакомления с многомерных методов анализа, первоначальный осмотр поля могут представлять огромное разнообразие подходов, которые, хотя и алгоритмически похожи, представлены с разными акцентами, как правило, люди с математикой фонов. Мы считаем, что многомерные методы анализа имеют достаточный потенциал, чтобы гарантировать более широкое распространение. Исследователи должны иметь возможность использовать их в информацию и доступной форме. Данная статья является попыткой введения дидактической многомерной методы для новичка. Концептуальных введения следуют с очень простое приложение для диагностических наборов данных от болезни Альцгеймера нейровизуализации с инициативой (ADNI), ясно демонстрируя превосходные характеристики многомерного подхода.

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

Basics of Multivariate Analysis in Neuroimaging Data

Данная статья описывает основы многомерного анализа и противопоставляет ей чаще используется воксела стрелке одномерного анализа. Оба вида анализа используются для клинико-неврологии набора данных. Дополнительное раскол половиной расчеты показывают, лучше репликацию многомерных результатов в независимых наборов данных.

Основы Многомерный анализ данных в нейровизуализации

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

Research

JoVE Journal

Neuroscience

Cross-Modal Multivariate Pattern Analysis

Крест-Modal Многомерный анализ Pattern

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

Functional Neuroimaging Using Ultrasonic Blood-brain Barrier Disruption and Manganese-enhanced MRI

Функциональные нейровизуализации с использованием ультразвуковых Гематоэнцефалический Разрушение барьеров и марганца-МРТ

Although mice are the dominant model system for studying the genetic and molecular underpinnings of neuroscience, functional neuroimaging in mice remains ...

Applications of EEG Neuroimaging Data: Event-related Potentials, Spectral Power, and Multiscale Entropy

Применение данных ЭЭГ нейровизуализации: связанные с событиями потенциалы, спектральной мощности и многомасштабное Энтропия

When considering human neuroimaging data, an appreciation of signal variability represents a fundamental innovation in the way we think about brain ...

TIRFM and pH-sensitive GFP-probes to Evaluate Neurotransmitter Vesicle Dynamics in SH-SY5Y Neuroblastoma Cells: Cell Imaging and Data Analysis

TIRFM и рН-чувствительные GFP-зонды для оценки нейромедиатора пузырька динамики в SH-SY5Y клеток нейробластомы: Сотовый изображений и анализ данных

Synaptic vesicles release neurotransmitters at chemical synapses through a dynamic cycle of fusion and retrieval. Monitoring synaptic activity in real ...

Analyzing Synaptic Modulation of Drosophila melanogaster Photoreceptors after Exposure to Prolonged Light

Analyzing Synaptic Modulation of Drosophila melanogaster Photoreceptors after Exposure to Prolonged Light

Анализ Synaptic модуляция<em&gt; Дрозофилы</em&gt; Фоторецепторы после экспозиции продолжительному воздействию света

The nervous system has the remarkable ability to adapt and respond to various stimuli. This neural adjustment is largely achieved through plasticity at ...

Neuroimaging Field Methods Using Functional Near Infrared Spectroscopy (NIRS) Neuroimaging to Study Global Child Development: Rural Sub-Saharan Africa

Neuroimaging Field Methods Using Functional Near Infrared Spectroscopy NIRS Neuroimaging to Study Global Child Development: Rural Sub-Saharan Africa

Нейровизуализационных поле методы, с помощью функциональных вблизи нейровизуализации инфракрасной спектроскопии (НДО) для изучения развития глобальных ребенка: сельских районах Африки к югу от Сахары

Portable neuroimaging approaches provide new advances to the study of brain function and brain development with previously inaccessible populations and in ...

Data Acquisition and Analysis In Brainstem Evoked Response Audiometry In Mice

Приобретение данных и анализ в Brainstem вызвал ответ аудиометрии у мышей

Brainstem evoked response audiometry (BERA) is of central relevance in the clinical neurophysiology. As other evoked potential (EP) techniques, such as ...

Meta-analysis of Voxel-Based Neuroimaging Studies using Seed-based d Mapping with Permutation of Subject Images (SDM-PSI)

Meta-analysis of Voxel-Based Neuroimaging Studies using Seed-based d Mapping with Permutation of Subject Images SDM-PSI

Мета-анализ Voxel основе нейровизуализации исследований с использованием семян на основе d Картирование с перестановкой субъектов изображения (SDM-PSI)

Most methods for conducting meta-analysis of voxel-based neuroimaging studies do not assess whether effects are not null, but whether there is a ...

Measuring Statistical Learning Across Modalities and Domains in School-Aged Children Via an Online Platform and Neuroimaging Techniques

Измерение статистического обучения в различных условиях и доменах у детей школьного возраста с помощью онлайн-платформы и методов нейровизуаляции

Statistical learning, a fundamental skill to extract regularities in the environment, is often considered a core supporting mechanism of the first ...

Employing Transcranial Magnetic Stimulation in a Resource Limited Environment to Establish Brain-Behavior Relationships

Использование транскраниальной магнитной стимуляции в среде с ограниченными ресурсами для установления отношений между мозгом и поведением

Neuroimaging is typically perceived as a resource demanding discipline. While this is the case in certain circumstances, institutions with limited ...