Summary

Veri Nörogörüntüleme Çok Değişkenli Analiz Temelleri

Published: July 24, 2010
doi:

Summary

Mevcut makalede, çok değişkenli analiz temelleri açıklar ve daha sık kullanılan voksel-bilge Tek değişkenli analizde tezat. Her iki tür analiz bir klinik nörobilim veri seti uygulanır. Ek iki yarım simülasyonları bağımsız veri setleri çok değişkenli sonuçların daha iyi çoğaltma göstermektedir.

Abstract

Beyin görüntüleme verileri için çok değişkenli analiz teknikleri, daha yaygın kullanılan tek değişkenli, voksel-bilge, teknikleri kolayca gerçekleştirilmesi mümkün değildir pek çok çekici özelliklere sahip olarak son zamanlarda giderek artan bir ilgi aldık<sup> 1,5,6,7,8,9</sup>. Çok değişkenli yaklaşımlar voksel-by-voksel bazında devam ziyade, beyin bölgeleri arasında korelasyon / aktivasyon kovaryans değerlendirir. Böylece, sonuç daha kolay yapay sinir ağları bir imza olarak yorumlanır olabilir. Öte yandan tek değişkenli yaklaşımlar, doğrudan beyin bölgelerarası korelasyon adresi olamaz. Voksel-bilge çoklu karşılaştırmalar için çok sıkı düzeltmeler istihdam etmek zorunda olan tek değişkenli teknikleri ile karşılaştırıldığında çok değişkenli yaklaşımlar, aynı zamanda, daha büyük bir istatistiksel güç neden olabilir. Ayrıca, çok değişkenli teknikler, aynı zamanda tamamen yeni veri setleri bir veri analiz sonuçlarının geleceğe dönük uygulama için kendilerini çok daha iyi ödünç. Çok değişkenli teknikleri böylece potansiyel olarak daha büyük bir istatistiksel güç ve daha iyi tekrarlanabilirlik kontrolleri ile benzer tek değişkenli yaklaşımlar davranışları ile ortalama farklılıkları ve korelasyon, hakkında bilgi vermek için konur. Bu avantajları aksine, kullanımı çok değişkenli yaklaşımlar giriş yüksek bariyer, önlenmesi, toplum içinde daha yaygın bir uygulamadır. Çok değişkenli analiz teknikleri ile aşina olma sinirbilimci için, alanında bir ilk anket, algoritmik benzer olmasına rağmen, genellikle Matematik geçmişlere sahip insanlar tarafından farklı vurguları ile sunulmaktadır yaklaşımların şaşırtıcı bir çeşitlilik sunar. Çok değişkenli analiz teknikleri, daha iyi yayılması emri için yeterli bir potansiyele sahip olduğumuza inanıyoruz. Araştırmacılar, bilgili ve erişilebilir bir şekilde onları istihdam etmek gerekir. Mevcut makalede, yeni başlayanlar için çok değişkenli teknikler didaktik bir giriş bir girişimdir. Kavramsal bir giriş, çok değişkenli bir yaklaşım açıkça üstün performans gösteren Alzheimer Hastalığı Nörogörüntüleme Girişimi (ADNI), bir tanı veri için çok basit bir uygulama ile takip edilmektedir.

Protocol

50 insan katılımcılar, sadece üç bölge beyinde vokseller (Şekil 1 = 3-boyutlu piksel) olarak gösterilir için varsayımsal bir veri ölçüldü: Çok değişkenli analizde kavramsal bir bakış vermek için çok basit bir durum resmi olabilir. (Şekil 1 buraya yerleştirin, üzerinden ses olarak açıklamayı okuyun.) Çok değişkenli analizde genel amacı, varyans ana kaynaklarından veri tanımlamak ve sonra varyans bu kaynaklar açısından veri ilgi büyük etkileri anlatan. Şekil 2 basit bir örnek gösterir. (Şekil 2 buraya yerleştirin, üzerinden ses olarak açıklamayı okuyun.) Şimdi bir klinik veri seti hem tek değişkenli ve çok değişkenli analiz geçerlidir. Alzheimer Hastalığı Nörogörüntüleme Girişimi (http://www.loni.ucla.edu/ADNI/) web sitesinden 95 erken Alzheimer hastası ve 102 yaş eşleştirilmiş kontrol için FDG-PET dinlenme taramalarını indirilebilir. Biz, hem hasta ve kontrollerin rastgele 20 tarar aldı ve bizim türetme örnek olarak atanmış. Geriye kalan 75 ve 82 tarar, sırasıyla, çoğaltma örnek teşkil etmektedir. Tek ve çok değişkenli Alzheimer hastalığı (AH) işaretleyicileri türetme örnek edilen ve çoğaltma örnek test ve tanı etkinliği olacak. Tek değişkenli marker için, biz kontrast 20 kontrolleri ile 20 AD taramaları türetme örnek tarar ve bir T-testi ile gösterildiği gibi, AD hastalarının PET sinyal en büyük düşüş gösteren beyin yeri seçin. Bu bölgenin tanısal etkinliğini test etmek için, biz bu yerde çoğaltma örnek verileri kontrol ve hastalık durumunun bir fonksiyonu olarak PET sinyali arsa. Çok değişkenli bir işaretleyici için, öncelikle tabi ölçeklendirme faktörü MS hastaları ve sağlıklı kontroller arasında maksimum ortalama farklılık gösterir ilk 5 Temel Bileşenler kovaryans desen oluşturmak bir PCA derivasyon örnek kombine 40 taramaları gerçekleştirmek ve. (Detayları bu temsili kağıtları 2 olabilir.) Türetme örnek form elde tanı kovaryans desen sonra, ileriye dönük olarak çoğaltma örnek uygulanır . Ortaya çıkan konu ölçekleme faktörleri, hastalık durumunun bir fonksiyonu olarak çizilir. Adım 4 ve 5 hem tek değişkenli ve çok değişkenli yaklaşımlar daha genel bir karşılaştırma sağlamak için, "bölünmüş bir örnek" simülasyonu gerçekleştirmek ve her seferinde, 20/20 türetme örnek oluşturan ve 75/82 yeniden örneklendiğinde veri hem adımları 1.000 kez tekrarlayın MS hastaları ve sağlıklı kontroller baştan çoğaltma. Tek değişkenli ve çok değişkenli bir hastalık işaretleri derivasyon örnek hesaplanmış ve karar eşiği AD (= özgüllük% 95) olarak en az 1 sağlıklı kontrol Sınıflandırılmamış olduğu gibi ayarlanır. Kendi özel karar eşikleri ile hastalık işaretleri çoğaltma örnekleri daha sonra ileriye dönük olarak uygulanır. Çoğaltma örnek sınıflandırma hata oranları tüm resampling iterasyon için kaydedilmektedir. Temsilcisi Sonuçlar Tek değişkenli performans sonuçları Şekil 3'te ayrıntılı olarak görülebilir. Süper temporal girus, Brodmann alan 38 alanda büyük AD-FDG açığı tespit edildi. Elde ROC eğrisi altında kalan alan, AUC = 0.90 oldu. Bu kontrast çoğaltma örnek genelleme ROC eğrisi altında kalan alan, AUC = 0.84 ile oldukça iyiydi. Çok değişkenli performans sonuçları Şekil 4'te ayrıntılı olarak görülebilir. Hastalık karşısında sinyal göreceli bir koruma ima pozitif yükleri ile ilişkili sinyal kaybı parietotemporal ve frontal alanlarda ve posterior singulat girus bulundu iken Alanları, beyincik bulundu. Türetme ve çoğaltma örnekleri hem de ROC eğrisi altındaki alanlar, sırasıyla 0.96 ve 0.88 'da tek değişkenli marker biraz daha iyi idi. Split-örnek simülasyon sonuçları Şekil 5 ayrıntılı olarak görülebilir. Rakam çok değişkenli işaretleyici tek değişkenli marker tanısal performansının daha iyi çoğaltma verdiğini gösterir. Tek değişkenli işaretleyici için bu 0.307 iken, çok değişkenli bir işaretleyici için ortalama toplam hata oranı, 0.203. Şekil 1. Bu basit şekil, tek ve çok değişkenli analitik stratejileri arasındaki farkı açıklar: varsayımsal bir 3-boyutlu veri seti bu resimde görüntülenir . Sol tarafta, çizilen 3 değişkenler arasında bir ilişki yoktur. Aksine sağ tarafında, biri üç vokseller arasında pozitif bir korelasyon gösteren varyans önemli bir kaynak görebilirsiniz. Tek değişkenli analiz sadece bir voksel-by-voksel bazda ortalama değerleri saydığı bu iki senaryo arasında herhangi bir fark söyleyemem. Çok değişkenli analiz, aksine, Varian en önemli kaynaklardan tanımlarnöral aktivasyon desenleri oluşturmak için devam etmeden önce veri ce (kırmızı ok), bu kaynakları oluşturmaktadır. Şekil 2 Bu slayt basitleştirilmiş bir formu veri nörogörüntüleme herhangi bir çok değişkenli analiz temel başarı gösterir. Bir konu indeksi ve beyindeki voksel yerini gösteren bir voksel indeksi x bağlıdır veri dizi Y (s, x), birkaç açısından bir miktar ayrılacak. İlk olarak, tamamen tabi bir bağımlı faktör skoru, ssf (ler), ve tamamen bağımlı voksel kovaryans desen bir ürün, v (x). Kovaryans modeli ile açıklanabilecek gibi değildir İkincisi, aktivasyon bir konu ve voksel bağımlı gürültü terimi, e (x) yakalanır. Denklemi aşağıdaki iki grafik konu ölçekleme faktörü ve kovaryans desen bir örnek vermek. Her katılımcı sadece konu faktör skoru ile gösterildiği gibi farklı bir dereceye kadar, kovaryans desen tezahür eder. Ayrı ayrı her voksel davranışlarını takip etmek yerine, kovaryans deseni ve varyans ana kaynağı konusunu ifade cimri özet sağlar. Alanlarda eş zamanlı olarak ilişkili bir etkinleştirme artırmak kırmızı ile belirtilen büyüklüğü konu ölçekleme faktörü arttıkça, kovaryans desen mavi gösterilir alanları, ilişkili bir etkinleştirme azaltmak. Söz konusu faktör skoru konu, yaş ya da bilişsel bir görev davranışsal performans gibi ilgi dış değişkenler ile ilişkili, çoklu karşılaştırmalar için herhangi bir düzeltme ve bu ilişki için uygulanacak. Böyle bir ayrışma için çeşitli teknikler vardır, ama en yaygın olanı, Temel Bileşenler Analizi (PCA). Bu bizim için tercih edilen bir tekniktir. Tabi ölçekleme faktörleri ilk etapta kovaryans desen sadece veri seti, eşit boyutluluk herhangi bir veri kovaryans desen değil projelendirme elde edilebileceğini unutmayın. Bu bir veri seti gözlendi beyin-davranış ilişkileri, farklı bir veri seti çoğaltılmış olup olmadığını test etmek için kovaryans desenlerini uygun hale getirir. Şekil 3. Bu rakam tek değişkenli analiz sonucu gösterir. Sol alt panelinde, FDG sinyal değerleri türetme örnek en büyük AD ile ilgili açık gösteren bölge için çizilir. Onun MNI koordinatları X = 2 mm, Y = -48 mm, Z = 30mm (Precuneus / PCG, Brodmann Alan 31). Sağ alt panel çoğaltma örneği bu çok yerde FDG sinyali gösterir. Bir çoğaltma örnek MS hastaları ve kontroller arasında FDG farklılıklar, genel olarak, hala önemli grupları arasında daha fazla örtüşme azalır takdir edebilirsiniz. Şekil 4 Bu rakam çok değişkenli analiz sonuçlarını gösterir. Üst panelde, sırasıyla, kırmızı ve mavi kovaryans desen önemli ölçüde olumlu ve olumsuz ağırlıklı alanlarda (p <0,001) göstermektedir çeşitli kesitler gösterir. Küresel ortalama değer her tarama ölçekli unutmayın, bu nedenle kırmızı ve mavi renk, hastalık şiddeti PET sinyal oldukça göreceli ve mutlak artar ve azalır göstermektedir. Kızıl bölgelerde mavi hastalığın bir sonucu olarak sinyal kaybı olduğunu gösterir, böylece hastalığın karşısında göreceli korunması hakkında ipucu. Posterior singulat girus, parietotemporal ve frontal bölgelerde görünür mavi alanlar ise Kızıl bölgelerde ağırlıklı olarak, beyincik bulunur. Alt sol paneli: AD-kovaryans desen konusu faktör puanlarının türetme örnek gösterilir. MS hastaları için Yüksek konusu puanları bulunur. Alt sağ panelde: çoğaltma örnek AD-kovaryans desen ileriye dönük uygulama söz konusu faktör puanları burada çizilmiştir. Bir çoğaltma örnek artış örtüşme tanısal kontrast hafif bir kötüleşme takdir, ancak tanısal etkinliğini genelleme tek değişkenli durumda daha iyidir. Şekil 5 Bu rakam 1000 split-örnek simülasyon sonuçlarını gösterir. Listelenen anlamına gelir ve çoğaltma örnekleri tek ve çok değişkenli tanı hata oranlarının standart sapmaları. Bir çok değişkenli marker performans genelleme, tek değişkenli işaretinin daha olsa da biraz daha değişken oldukça iyi olduğunu takdir edebilirsiniz.

Discussion

Biz izleyicinin çok değişkenli analiz temel bir tat vermiş umut; ilgili izleyiciler web sitemizden kontrol etmek için teşvik edilmektedir. Önemli tartışmalara konu tartışmaya çok değişkenli analiz parametreleri için birkaç seçenek olabilir yapıldı. Biz bu makalede önemli sorunları ortadan kalkar, bu konuların tartışmaya ayırdı. İlk olarak, AD-kovaryans desen oluşturmak için ilk 6 Temel Bileşenler seçti. 4 tartışmak olmadığını, bu seçim için teorik nedenler vardır . 6 Temel Bileşenler özellikle seçim olsa argümanı için önemli değildir: Biri, 2 ila 20 PC aralığında seçti ve hala split-örnek simülasyonlar çok değişkenli marker üstün genelleme performans elde edebilirsiniz. Sonuçları, türetme ve çoğaltma örnekleri deneklerin sayıları seçimine saygı ile benzer sağlamdır. Biz çoğaltma örnek her iki grup için 20 denek seçti, ama bu tamamen matematiksel hesaplamaları hızlandırmak için kolaylık oldu. Derivasyon örnekleri deneklerin sayıları artmış olsaydı, her iki tekniğin göreceli esası hakkında sonuçlar benzer şekilde tutun.

İkincisi, biz sadece çok değişkenli analizde en temel türlü sundu. Makine-Öğrenme edebiyat, PCA önce doğrusal ve doğrusal olmayan dönüşümler ve diğer çeşitli kırışıklıkları ödünç teknikleri ile önemli bir komplikasyon daha genelleme performans artırmak olabilir uygulanabilir. Basitlik için, bu makalede bu olanakları dokunulmaz değil.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Yazar NIH hibe destek için minnettar olduğunu:

Nörogörüntüleme analiz NIH / NIBIB 5R01EB006204-03 çok değişkenli yaklaşımlar

ASL MR ve Kovaryans Analizi ile NIH / NIA 5R01AG026114-02 Erken AD Algılama

ADNI: Görüntüleme veri Alzheimer Hastalığı Nörogörüntüleme Girişimi (ADNI) (NIH U01AG024904) tarafından sağlandı. Bu proje için veri toplama ve paylaşım Alzheimer Hastalığı Nörogörüntüleme Girişimi (ADNI) (Ulusal Sağlık Hibe u01 AG024904 Enstitüleri) tarafından finanse edildi. Abbott, AstraZeneca AB, Bayer Schering Pharma AG, Bristol-Myers Squibb, Eisai Küresel Klinik Geliştirme, Elan Şirketi: ADNI, Ulusal Biyomedikal Görüntüleme ve Biyomühendislik Enstitüsü, Ulusal Yaşlanma Enstitüsü ve aşağıdaki cömert katkıları ile finanse edilmektedir. Genentech, GE Healthcare, GlaxoSmithKline, Innogenetics, Johnson and Johnson, Eli Lilly and Co, Medpace, Inc, Merck ve A.Ş., Novartis AG, Pfizer Inc, F. Hoffman-La Roche, Schering-Plough, Synarc , Inc ve Wyeth yanı sıra Alzheimer Derneği ve Alzheimer ABD Gıda ve İlaç Dairesi (FDA) katılımı ile İlaç Keşif Vakfı, kar amacı gütmeyen ortaklar. ADNI özel sektör katkılarıyla Sağlık (National Institutes of Vakfı tarafından kolaylaştırdı http://www.fnih.org ). Grantee, örgüt için Kuzey Kaliforniya Araştırma ve Eğitim Enstitüsü ve çalışma Alzheimer Hastalığı Kooperatif Çalışma Kaliforniya, San Diego Üniversitesi tarafından koordine edilmektedir. ADNI veriler, University of California, Los Angeles Nöro Görüntüleme Laboratuvarı tarafından dağıtımı yapılmaktadır. Bu araştırma aynı zamanda NIH hibe P30 AG010129, K01 AG030514 ve Dana Vakfı tarafından desteklenmiştir.

References

  1. Moeller, J. R., Strother, S. C. A regional covariance approach to the analysis of functional patterns in positron emission tomographic data. J Cereb Blood Flow Metab. 11 (2), A121-A121 (1991).
  2. Scarmeas, N. Covariance PET patterns in early Alzheimer’s disease and subjects with cognitive impairment but no dementia: utility in group discrimination and correlations with functional performance. Neuroimage. 23 (1), 35-35 (2004).
  3. Siedlecki, K. L. Examining the multifactorial nature of cognitive aging with covariance analysis of positron emission tomography data. J Int Neuropsychol Soc. 15 (6), 973-973 (2009).
  4. Burnham, K. P., Anderson, D. R. . Model selection and multimodel inference a practical information-theoretic approach. , (2002).
  5. Moeller, J. R., Strother, S. C., Sidtis, J. J., Rottenberg, D. A. Scaled subprofile model: a statistical approach to the analysis of functional patterns in positron emission tomographic data. J Cereb Blood Flow Metab. 7 (5), 649-649 (1987).
  6. Habeck, C. Multivariate and univariate neuroimaging biomarkers of Alzheimer’s disease. Neuroimage. 40 (4), 1503-1503 (2008).
  7. Habeck, C. A new approach to spatial covariance modeling of functional brain imaging data: ordinal trend analysis. Neural Comput. 17 (7), 1602-1602 (2005).
  8. McIntosh, A. R., Bookstein, F. L., Haxby, J. V., Grady, C. L. Spatial pattern analysis of functional brain images using partial least squares. Neuroimage. 3 Pt 1, 143-143 (1996).
  9. McIntosh, A. R., Lobaugh, N. J. Partial least squares analysis of neuroimaging data: applications and advances. Neuroimage. 23, S250-S250 (2004).

Play Video

Cite This Article
Habeck, C. G. Basics of Multivariate Analysis in Neuroimaging Data. J. Vis. Exp. (41), e1988, doi:10.3791/1988 (2010).

View Video