JoVE Journal > Medicine
Summary
Abstract
Introduction
Protocol
Results
Discussion
Disclosures
Acknowledgements
Materials
References
Automatic Translation
Please note that all translations are automatically generated. Click here for the English version.
Medicine

신경 영상 데이터를 사용하여 질병과 관련된 공간 공분산 패턴의 식별

Published: June 26, 2013
doi:
10.3791/50319
, , , , , ,
1Center for Neurosciences,The Feinstein Institute for Medical Research

Summary

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.

Abstract

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.

Introduction

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 "네트워크"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 </> (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 "비슷하게"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 '네트워크'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.

Protocol

1. 데이터 수집 및 전처리 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. 개인 또는 그룹 평가를위한 ?…

Representative Results

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…

Discussion

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?…

Disclosures

The authors have nothing to disclose.

Acknowledgements

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.

Materials

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

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), 121-135 (1991).
  2. Alexander, G. E., Moeller, J. R. Application of the scaled subprofile model to functional imaging in neuropsychiatric disorders: A principal component approach to modeling brain function in disease. Hum. Brain Mapp. 2, 1-16 (1994).
  3. Habeck, C. G. Basics of multivariate analysis in neuroimaging data. J. Vis. Exp. (41), e1988 (2010).
  4. 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), 649-658 (1987).
  5. Spetsieris, P. G., Eidelberg, D. Scaled subprofile modeling of resting state imaging data in Parkinson’s disease: methodological issues. Neuroimage. 54 (4), 2899-2914 (2011).
  6. Dhawan, V., Tang, C. C., Ma, Y., Spetsieris, P., Eidelberg, D. Abnormal network topographies and changes in global activity: Absence of a causal relationship. Neuroimage. 63 (4), 1827-1832 (2012).
  7. Eidelberg, D. Metabolic brain networks in neurodegenerative disorders: a functional imaging approach. Trends Neurosci. 32 (10), 548-557 (2009).
  8. Habeck, C., Foster, N. L., et al. Multivariate and univariate neuroimaging biomarkers of Alzheimer’s disease. Neuroimage. 40 (4), 1503-1515 (2008).
  9. Efron, B., Tibshirani, R. . An introduction to the bootstrap. , (1994).
  10. Ma, Y., Tang, C., Spetsieris, P., Dhawan, V., Eidelberg, D. Abnormal metabolic network activity in Parkinson’s disease: test-retest reproducibility. J. Cereb. Blood Flow & Metab. 27 (3), 597-605 (2007).
  11. Ma, Y., Eidelberg, D. Functional imaging of cerebral blood flow and glucose metabolism in Parkinson’s disease and Huntington’s disease. Mol. Imaging Biol. 9 (4), 223-233 (2007).
  12. Tang, C. C., Poston, K. L., et al. Differential diagnosis of parkinsonism: a metabolic imaging study using pattern analysis. Lancet Neurol. 9 (2), 149-158 (2010).
  13. Spetsieris, P. G., Ma, Y., Dhawan, V., Eidelberg, D. Differential diagnosis of parkinsonian syndromes using PCA-based functional imaging features. Neuroimage. 45 (4), 1241-1252 (2009).
  14. Tang, C. C., Poston, K. L., Dhawan, V., Eidelberg, D. Abnormalities in metabolic network activity precede the onset of motor symptoms in Parkinson’s disease. J. Neurosci. 30 (3), 1049-1056 (2010).
  15. Mure, H., Hirano, S., et al. Parkinson’s disease tremor-related metabolic network: characterization, progression, and treatment effects. Neuroimage. 54 (2), 1244-1253 (2011).
  16. Niethammer, M., Eidelberg, D. Metabolic brain networks in translational neurology: concepts and applications. Ann. Neurol. , (2012).
  17. Petersson, K. M., Nichols, T. E., Poline, J. B. Statistical limitations in functional neuroimaging. I. Non-inferential methods and statistical models. Philos. Trans. R. Soc. Lond. B. Biol. Sci. 354 (1387), 1239-1260 (1999).
  18. Habeck, C., Stern, Y. Multivariate data analysis for neuroimaging data: overview and application to Alzheimer’s disease. Cell Biochem. Biophys. 58 (2), 53-67 (2010).
  19. McKeown, M. J., Hansen, L. K., Sejnowsk, T. J. Independent component analysis of functional MRI: what is signal and what is noise. Current Opinion in Neurobiology. 13 (5), 620-629 (2003).
  20. Stone, J. V. Independent component analysis: an introduction. Trends Cogn. Sci. 6 (2), 59-64 (2002).
  21. 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 (3 Pt. 1), 143-157 (1996).
  22. Habeck, C., Krakauer, J. W., et al. A new approach to spatial covariance modeling of functional brain imaging data: ordinal trend analysis. Neural Comput. 17 (7), 1602-1645 (2005).
  23. Habeck, C., Moeller, J. R. Intrinsic functional-connectivity networks for diagnosis: just beautiful pictures. Brain Connect. 1 (2), 99-103 (2011).
  24. Huang, C., Tang, C., et al. Changes in network activity with the progression of Parkinson’s disease. Brain. 130, 1834-1846 (2007).
  25. Feigin, A., Tang, C., et al. Thalamic metabolism and symptom onset in preclinical Huntington’s disease. Brain. 130, 2858-2867 (2007).
  26. Poston, K. L., Tang, C. C., et al. Network correlates of disease severity in multiple system atrophy. Neurology. 78 (16), 1237-1244 (2012).
  27. Biswal, B., Yetkin, F. Z., Haughton, V. M., Hyde, J. S. Functional connectivity in the motor cortex of resting human brain using echo-planar MRI. Magnetic Resonance in Medicine: Official Journal of the Society of Magnetic Resonance in Medicine / Society of Magnetic Resonance in Medicine. 34 (4), 537-541 (1995).
  28. Greicius, M. D., Krasnow, B., Reiss, A. L., Menon, V. Functional connectivity in the resting brain: a network analysis of the default mode hypothesis. Proceedings of the National Academy of Sciences of the United States of America. 100 (1), 253-258 (2003).
  29. Friston, K. J., Frith, C. D., Liddle, P. F., Frackowiak, R. S. Functional connectivity: the principal component analysis of large (PET) data sets. J. Cereb. Blood Flow Metab. 13, 5-14 (1993).
  30. Strother, S. C., Kanno, I., Rottenberg, D. A. Commentary and opinion: I. Principal component analysis, variance partitioning, and “functional connectivity”. Journal of Cerebral Blood Flow and Metabolism: Official Journal of the International Society of Cerebral Blood Flow and Metabolism. 15 (3), 353-360 (1995).
  31. Ekstrom, A. How and when the fMRI BOLD signal relates to underlying neural activity: the danger in dissociation. Brain Research Reviews. 62 (2), 233-244 (2010).
  32. Logothetis, N. K. What we can do and what we cannot do with fMRI. Nature. 453 (7197), 869-878 (2008).
  33. Lin, T. P., Carbon, M., et al. Metabolic correlates of subthalamic nucleus activity in Parkinson’s disease. Brain. 131 (Pt. 5), 1373-1380 (2008).
  34. Hirano, S., Asanuma, K., et al. Dissociation of metabolic and neurovascular responses to levodopa in the treatment of Parkinson’s disease. J. Neurosci. 28 (16), 4201-4209 (2008).
  35. Feigin, A., Antonini, A., et al. Tc-99m ethylene cysteinate dimer SPECT in the differential diagnosis of parkinsonism. Mov. Disord. 17 (6), 1265-1270 (2002).
  36. Eckert, T., Van Laere, K., et al. Quantification of Parkinson’s disease-related network expression with ECD SPECT. Eur. J. Nucl. Med. Mol. Imaging. 34 (4), 496-501 (2007).
  37. Ma, Y., Huang, C., et al. Parkinson’s disease spatial covariance pattern: noninvasive quantification with perfusion MRI. J. Cereb. Blood Flow Metab. 30 (3), 505-509 (2010).
  38. Melzer, T. R., Watts, R., et al. Arterial spin labelling reveals an abnormal cerebral perfusion pattern in Parkinson’s disease. Brain. 134 (Pt. 3), 845-855 (2011).
  39. Skidmore, F., Spetsieris, P., et al. Diagnosis of Parkinson’s disease using resting state fMRI. , LB22 (2011).
  40. Peng, S., Wu, T., et al. A comparison study of Parkinson’s disease-related patterns between FDG PET and fMRI at rest state. Neuroimage. 61, 5610 (2012).
  41. Brickman, A. M., Habeck, C., Zarahn, E., Flynn, J., Stern, Y. Structural MRI covariance patterns associated with normal aging and neuropsychological functioning. Neurobiol. Aging. 28 (2), 284-295 (2007).
  42. Bergfield, K. L., Hanson, K. D., et al. Age-related networks of regional covariance in MRI gray matter: reproducible multivariate patterns in healthy aging. Neuroimage. 49 (2), 1750-1759 (2010).
  43. Steffener, J., Brickman, A. M., Habeck, C. G., Salthouse, T. A. Cerebral blood flow and gray matter volume covariance patterns of cognition in aging. Human Brain Mapping. , (2012).
  44. Cangelosi, R., Goriely, A. Component retention in principal component analysis with application to cDNA microarray data. Biol. Direct. 2, 2 (2007).
  45. Akaike, H. A new look at the statistical model identification. IEEE Transactions on Automatic Control. 19 (6), 716-723 (1974).
  46. Eidelberg, D., Moeller, J. R., et al. Assessment of disease severity in parkinsonism with fluorine-18-fluorodeoxyglucose and PET. J. Nucl. Med. 36 (3), 378-383 (1995).
  47. Ma, Y., Tang, C., Moeller, J. R., Eidelberg, D. Abnormal regional brain function in Parkinson’s disease: truth or fiction. Neuroimage. 45 (2), 260-266 (2009).
  48. Habeck, C., Steffener, J., Rakitin, B., Stern, Y. Can the default-mode network be described with one spatial-covariance network. Brain Res. 1468, 38-51 (2012).
  49. Joliffe, I. T. Principal Components Analysis. Springer Series in Statistics. , (2002).
  50. Limpert, E., Stahel, W. A., Abbt, M. Log-normal distributions across the sciences: keys and clues. BioScience. 51 (5), 341-352 (2001).
  51. Huang, C., Mattis, P., et al. Metabolic abnormalities associated with mild cognitive impairment in Parkinson disease. Neurology. 70 (16 Pt. 2), 1470-1477 (2008).
  52. Mattis, P. J., Tang, C. C., Ma, Y., Dhawan, V., Eidelberg, D. Network correlates of the cognitive response to levodopa in Parkinson disease. Neurology. 77 (9), 858-865 (2011).
  53. Feigin, A., Kaplitt, M. G., et al. Modulation of metabolic brain networks after subthalamic gene therapy for Parkinson’s disease. Proc. Natl. Acad. Sci. U.S.A. 104 (49), 19559-19564 (2007).
  54. Mure, H., Tang, C. C., et al. Improved sequence learning with subthalamic nucleus deep brain stimulation: evidence for treatment-specific network modulation. The Journal of Neuroscience: The Official Journal of the Society for Neuroscience. 32 (8), 2804-2813 (2012).

Tags

Spatial Covariance PatternsNeuroimaging DataScaled Subprofile Model (SSM)Group Invariant Subprofile (GIS)PCAFDG PETParkinson’s DiseaseDisease-related PatternsNetwork-specific ContributionsDifferential DiagnosisDisease ProgressionTreatment Effects
check_url/50319?article_type=t

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
Cite This Article
Spetsieris, P., Ma, Y., Peng, S., Ko, J. H., Dhawan, V., Tang, C. C., Eidelberg, D. Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data. J. Vis. Exp. (76), e50319, doi:10.3791/50319 (2013).
Download Citation
Reprints and Permissions

View Video

✖

To prove you're not a robot, please enter the text in the image below

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image