Выбор вокселя

СВЕЖИЕ НОВОСТИ

Sep 19, 2023

10 больше

Mar 29, 2023

11 самых очаровательных городов на Атлантическом побережье

Mar 31, 2023

27 товаров для дома на открытом воздухе для ночных тусовок

Nov 03, 2023

27 товаров для дома на открытом воздухе для ночных тусовок

May 16, 2023

30 практичных летних товаров по пять штук

ОТПРАВИТЬ ЗАПРОС

ПРЕДСТАВЛЯТЬ НА РАССМОТРЕНИЕ

Dec 21, 2023

Том коммуникативной биологии

Биология связи, том 5, Номер статьи: 913 (2022) Цитировать эту статью

2521 Доступов

4 цитаты

9 Альтметрика

Подробности о метриках

Фундаментальная и клиническая нейробиология получила огромную пользу от развития автоматизированного компьютерного анализа. В настоящее время ежегодно публикуется более 600 статей по нейровизуализации человека с использованием морфометрии на основе вокселей (VBM), и используется ряд различных автоматизированных конвейеров обработки, хотя еще предстоит систематически оценивать, дают ли они одинаковые ответы. Здесь мы исследовали изменчивость между четырьмя часто используемыми конвейерами VBM в двух больших наборах структурных данных мозга. Пространственное сходство и воспроизводимость между конвейерами обработанных карт серого вещества мозга между конвейерами, как правило, были низкими. Изучение половых различий и возрастных изменений выявило значительные различия между трубопроводами с точки зрения конкретных выявленных регионов. Многомерный анализ на основе машинного обучения позволил точно предсказать пол и возраст, однако точность различалась в зависимости от конвейера. Наши результаты показывают, что сам по себе выбор конвейера приводит к значительной вариабельности структурных маркеров мозга, что представляет собой серьезную проблему для воспроизводимости и интерпретации.

Фундаментальная и клиническая нейробиология человека направлена на определение вклада конкретных систем мозга в психические процессы и расстройства, и с этой целью широко используются подходы нейровизуализации. Благодаря своему высокому пространственному разрешению и неинвазивному характеру оценка структуры и функций мозга с помощью магнитно-резонансной томографии (МРТ) стала одним из наиболее широко используемых методов нейровизуализации. Однако сложность и гибкость рабочих процессов при МРТ-анализе, а также различия между несколькими часто используемыми пакетами программного обеспечения для анализа могут привести к высокой вариабельности результатов нейровизуализации1. Эта изменчивость затрудняет интерпретацию результатов в отношении точного картирования психических процессов и мозговых биомаркеров психических расстройств. По сравнению с обработкой данных функциональной МРТ (фМРТ), морфометрический анализ структурных изображений, взвешенных по Т1, допускает меньшие вариации обработки и может иметь более высокую надежность при повторном тестировании1,2,3,4,5,6. Однако выбор аналитического программного обеспечения все же может оказать существенное влияние на полученные результаты. Вариабельность с точки зрения того, проходят ли и какие конкретные области мозга статистический порог, в свою очередь, сильно влияет на интерпретацию результатов в отношении структурно-функционального картирования или биомаркеров мозга и может значительно затруднить чувствительность последующих метаанализов нейровизуализации. .

Нейроанатомические исследования получили огромную пользу от разработки автоматизированных вычислительных подходов, таких как воксельная морфометрия (VBM), изучающая изменения в региональном объеме серого вещества, а также недавно разработанных поверхностных подходов (например, исследование толщины коры). VBM представляет собой один из наиболее часто используемых на сегодняшний день подходов к структурному анализу мозга (например, простой поиск литературы с использованием термина «воксельная морфометрия» или «VBM» на PubMed выявил 6210 исследований, https://pubmed.ncbi.nlm). nih.gov, с 1993 г. по 19 ноября 2020 г., см. также публикации по VBM и другим подходам, таким как «толщина коры» и «площадь поверхности» в PubMed, изображенные на рис. S1). Стандартизированный и высокоавтоматизированный рабочий процесс VBM включает сегментацию серого вещества из других тканей мозга, нормализацию в стандартное стереотаксическое пространство и сглаживание с помощью ядра Гаусса перед применением статистических выводов. Соответствующие логические воксельные статистические модели обычно определяют (1) межгрупповые различия в региональном объеме серого вещества (GMV), например, между пациентами и контрольной группой или мужчинами и женщинами7,8,9,10, или (2) ассоциации между отдельными вариации регионального GMV и поведенческих фенотипов, включая черты обучения, возраста или расстройства11,12,13,14,15,16. Значительные различия или ассоциации обычно интерпретируются с учетом региональной специфики, например, сопоставляя определенные поведенческие функции с конкретными системами мозга и определяя, какие области мозга претерпевают возрастные изменения или какие области способствуют психическим расстройствам. Совсем недавно подходы многомерного анализа на основе машинного обучения, такие как многомерный анализ шаблонов (MVPA), стали все чаще применяться к данным VBM для обнаружения тонких и пространственно распределенных закономерностей структурных изменений мозга для улучшения диагностики психических расстройств на основе биомаркеров17,18,19 . MVPA направлен на определение изменений в пространственной структуре нескольких вокселей одновременно и, таким образом, часто более чувствителен при обнаружении различий между группами или структурных ассоциаций мозга. Этот подход основан на алгоритмах распознавания образов обучения, например, структурных данных мозга, и может применяться к новым данным для прогнозирования членства в группе (например, пациенты против контрольной группы или женщины против мужчин) или индивидуальных изменений в непрерывной переменной, такой как как возраст.

female was observed in the lingual gyrus, precuneus, left hippocampus, bilateral parahippocampal cortex, olfactory cortex, left putamen, and left insula (Fig. 3a). No common regions for female > male were observed among the four pipelines. The two FSL pipelines shared only 13.16% overlap (Table 1), with overlapping higher GMV for females being located in the bilateral postcentral cortex, right angular, right inferior parietal lobule, and cerebellum (Fig. 3a). In contrast to the comparably small overlap between the pipelines, wide variations in the location and extent of the identified GMV sex-differences were observed specifically in medial prefrontal and occipital regions. For instance, whereas CAT revealed higher GMV in widespread cerebellar and limbic regions in men, FSLANAT and FSLVBM revealed higher GMV in widespread posterior/superior parietal regions in women (Fig. 3a)./p>female contrast. The right panels of a correspond to the female > male contrast. For a and d the pipelines are coded as: red = CAT, green = FSLVBM, blue = FSLANAT, light blue = sMRIPrep, additional colors visualize the overlap between the results, e.g., CAT ∩ FSLVBM = yellow, CAT ∩ FSLANAT = purple, FSLVBM ∩ FSLANAT = light blue, CAT ∩ FSLVBM ∩ FSLANAT = white and etc. b The variability of unthresholded statistical maps. The correlation values between whole-brain unthresholded statistical maps of four pipelines were computed respectively for sex differences. Only positive values are visualized for display purpose. c Decoding the functional properties of the identified brain regions of male > female (a, red = CAT, green = FSLVBM, blue = FSLANAT, no difference in sMRIPrep) using NeuroSynth. Only the top 20 functional terms are visualized. The font size reflects the size of the correlation. d Reliable brain patterns to distinguish sex differences via bootstrapping test (5000 permutations, pFDR < 0.05), and e cross-predicted accuracy of four pipelines in independent samples. The color from cold to warm indicates increasing classification accuracy (from 0.5 to 1)./p>

5, Fig. 3d), and there were wide differences in the location of predictive voxels. For instance, predictions based on CAT strongly weighted voxels in the putamen, hippocampus, middle cingulate cortex, and angular gyrus, while FSLANAT identified strongly predictive voxels in a widespread network including the superior frontal cortex, orbitofrontal cortex, pre- and postcentral cortex, insula, temporal pole, angular gyrus, and cerebellum. FSLVBM and sMRIPrep revealed generally similar findings to FSLANAT./p>86%), as well as relatively high accuracy for predicting data processed by sMRIPrep (FSLANAT: 80%, Cohen's d = 0.6437, and FSLVBM: 76%, Cohen's d = 0.7231) and CAT (FSLANAT: 72%, Cohen's d = 0.7810, and FSLVBM: 76%, Cohen's d = 0.7402). For further independent validation of the sex-predictive pattern in dataset 2 see Supplemental Results./p>5, Fig. 4c). Considerable spatial variations became apparent (Table S11), for instance, FSLANAT revealed high predictive weight for regions in the putamen, hippocampus, hypothalamus, brainstem, medial frontal cortex, middle temporal gyrus, middle frontal gyrus, and insula, while data processed with FSLVBM suggested that postcentral gyrus, superior frontal gyrus, superior temporal gyrus, and cerebellum strongly contributed to the prediction. Despite marked differences in the spatial distribution, an accurate prediction of age was possible based on data from all pipelines, as reflected by high correlations between the predicted and true age (all r values >0.8, Fig. 4d)./p>0.8, Fig. 4d, for sex classifiers, higher than chance level, Figs. 3e and S10). These results suggest that all pipelines retained biologically and functionally relevant information. However, further examination of the spatial distribution of the most predictive voxels revealed considerable variations across the four pipelines, similar to the mass-univariate analyses (Figs. 3d and 4c, Table S11). For instance, the application of CAT processed data to develop sex classifiers would have emphasized the region-specific contribution of the putamen, hippocampus, middle cingulate cortex, and angular gyrus, while FSLANAT would have indicated that a widely distributed pattern allowed successful sex classification. Finally, the preprocessing pipeline had a significant effect on prediction accuracy and prediction effect sizes, such that, depending on the pipeline, our sex classifiers reached 70–94% classification accuracy in an independent dataset. This indicates that the processing pipeline can have a considerable effect on the sensitivity and specificity of multivariate predictive signatures./p>70 indicates satisfactory to excellent image quality). Thus, all data passed the quality control procedure./p>0.74 excellent64,65,66./p>

Новости

Выбор вокселя