Tento dokument a všechny údaje uložit Obr. 1 jsou generovány za běhu kompilací vstupního souboru pomocí tlumočníků R a LaTeX pomocí balíčku knitr. Tím se vytvoří výstupní pdf spolu se všemi statistickými údaji a kvantitativními demografickými souhrny.

Kohorty výběr

vzorek byl přijat mezi lednem 2010 a únoru 2014. Celkový výběr kohorty se snažil odpovídat demografickému rozložení dětí ve věku 7 na 18 let ve Spojených státech, na základě údajů ze sčítání lidu v USA, z hlediska rasy, etnický původ, pohlaví a rodinný příjem. Data byla shromážděna na jednom místě, Ahmanson-Lovelace Brain Mapping Center v UCLA, laboratoří funkční technologie MRI (LOFT). Do této studie byly zařazeny obvykle zdravé rozvíjející se děti ve věku od 7 do 18 let. Kritéria pro vyloučení byly navrženy tak, aby odfiltrovat děti: (1) s dříve diagnostikovaným onemocněním (včetně vývojových, neurologických, psychiatrických, a poruchy učení); (2), kteří splnili kritéria pro učení/psychiatrické poruchy nebo neurologické podmínka nebyla dříve diagnostikována; (3), kteří byli vystaveni podmínkám prostředí známé nebo pravděpodobné, vliv na normální vývoj; (4), kteří nemohou podstoupit MRI skenování; a 5) s omezenou znalostí angličtiny (jako je několik testů, které mají být podávány jako součást této studie nebyly k dispozici v jiných jazycích než v angličtině). Kompletní seznam vylučovací kritéria je níže:

• Vývojové & Zdravotní Poruchy: Známé vývojové poruchy (neprospívání; PKU atd.).

• porucha sluchu vyžadující sluchadlo.

• poškození zraku (strabismus, visual handicap není opravitelné s normální brýle).

• Diabetes (Typ I, léčený inzulinem).

• systémové revmatologické onemocnění (například glomerulonefritida, endokarditida).

• systémová malignita vyžadující chemo – & CNS radioterapie vrozená srdeční vada.

• neurologické poruchy, záchvatová porucha.

• infekce CNS (například meningitida).

• nádor na mozku.

• historie uzavřeného poranění hlavy se ztrátou vědomí > 5 min.

• svalová dystrofie nebo myotonická dystrofie.

• Chování, Psychiatrické, & Učení Poruchy: Schizofrenie, Poruchy Autistického Spektra, Bipolární Poruchy, Rekurentní Deprese, Porucha Pozornosti s Hyperaktivitou (ADHD), Poruchy Chování, Tourettův syndrom, Porucha, Obsedantně Complusive Porucha (OCD), Drogové Závislosti.

• Child Behavior Checklist (CBCL) subscale score < 70.

• IQ rating <80.

• Achievement score >2 s. d. pod věkovými normami.

• současná / minulá porucha jazyka (dyslexie, koktání).

• speciální vzdělávací umístění.

• MRI kontraindikace: kovové implantáty (rovnátka, kolíky) nebo kovové fragmenty, kardiostimulátor nebo elektronické lékařské implantáty, klaustrofobie, těhotenství.

• omezená znalost angličtiny.

Písemný informovaný souhlas s účastí ve studii a veřejné vydání data byla získána z každého předmětu a jejich rodiče podle Institucionální Review Board (IRB) z University of California Los Angeles (UCLA) pokyny před IQ posouzení a MR.

Hodnocení chování a prostředí

Psychometrické hodnocení

Wechsler Abbreviated Scale of Intelligence (WASI)30,31 byl podáván každý předmět, což má za následek tři doplňkové měření IQ: slovní IQ (slovní zásoba, podobnosti), výkonnostní IQ (Maticové uvažování, návrh bloků) a IQ v plném rozsahu. Korelace mezi celoplošným IQ a verbálním IQ je 0,89, mezi celoplošným IQ a IQ výkonu je 0,86 a mezi IQ výkonu a verbálním IQ je 0,54.

hodnocení socioekonomického statusu a rodičovského zázemí

příjem rodiny byl kvantifikován v rámci rozsahu, který sám uvádí, definovaného v USD. Rozložení základní kohortové demografie je znázorněno na obr. 2. Úroveň otcovského a mateřského vzdělání byla určena roky vzdělávání, v této kohortě minimálně osm let, přičemž několik subjektů mělo ≥20 let vzdělání. Ty byly následně přeloženy do let vzdělávání pro oba rodiče, pokud je k dispozici. Subjekty také poskytly skóre žebříku s vlastní zprávou na stupnicích komunity i SES. Stupnice Společenství identifikuje vnímané sociální postavení subjektu v jejich místní komunitě. Žebříček-SES identifikuje vnímané bohatství subjektu ve vztahu ke společnosti jako celku. Obě dílčí stupnice jsou v rozmezí 1 až 6, kde hodnoty odpovídají příčkám na žebříku.

metody získávání obrazu

všechna data MRI byla získána na skeneru Siemens 3 T TIM Trio pomocí cívky produktu 12 channel head.

T1 vážená akvizice

snímky připravené magnetizací byly získány pomocí sekvence obnovy 3D inverze s TR/TE / TI=2,170/4.33/1,100 ms. rozlišení je 1×1×1 mm3 s velikostí matice 256×256×192. Úhel převrácení=7° a celková doba skenování byla 8: 08 min.

Cerebrální průtok krve

Pseudo kontinuální arteriální spin označené (pCASL) obrázky byly získány pomocí gradient-echo echo-planární zobrazování (EPI) s TR/TE=4,000/12 ms. Rozlišení je 3.125×3.125×6 mm (5 mm s 1 mm mezerou) po 64×64×24 matice. Bylo získáno 40 párů štítků/kontrol. Byla použita generalizovaná autokalibrační částečně paralelní akvizice (GRAPPA)s akceleračním faktorem 2. Doba označování byla 1,5 s a zpoždění po označování bylo 1,2 s. celková doba zobrazování byla 5: 30 min.

Diffusion tensor akvizice

Difúzi vážené snímky byly získány s single-shot multi-slice pomocí spin-echo EPI s TR/TE=9,500/87 ms. Jeden b=0 objem byl získán po difúzi vážené snímky pro 30 trasy s b-hodnota=1,000. Rozlišení je 2×2×2 mm s velikostí matice 128×128×75 voxelů. Úhel překlopení=90°.

TUČNÉ akvizice

hladina kyslíku v Krvi-dependent (BOLD) snímky byly pořízeny v klidovém stavu pomocí 2D EPI s TR/TE=2,000/27 ms. Rozlišení je 4×4×4 mm více než 64×64×25 matrix a až 244 časové body byly získány. Úhel převrácení=80°. Subjekty byly povinny tiše relaxovat při pohledu na fixační bod.

metody zpracování Obrazu

využíváme Pokročilé Normalizace Nástroje s R (ANTsR) http://stnava.github.io/ANTsR/ s cílem zkontrolovat, uspořádat a sestavit více modality souboru databáze, která shrnuje rozsah měření k dispozici v PTBP. Všechny skripty a zdrojový kód jsou k dispozici v ANTsR a jeho závislostech.

ANTsR (answer) je open-science analytický rámec, který se snaží umožnit prediktivní biomedicínské studie, které integrují zobrazovací modality s jinými daty. ANTsR řeší statistické potřeby pomocí R, statistického výpočetního jazyka, při použití jádra ANTs pro registraci obrazu, segmentaci a konstrukci šablon32-36. Tento rámec je jednoznačně univerzální v tom, že neposkytuje žádné předpoklady o obsahu obrazu nebo orgánových systémů, na které je aplikován a je vhodné pro N-dimenzionální data (2-D, 3-D, 4-D). Jako důkaz této obecnosti vyhrály nástroje ANTsR dvě nezávislé registrační soutěže, jednu v mozkové MRI37 a jednu v plicní CT38. Kromě toho, ANTsR má zásadní význam pro jednu z předních společné označení fusion (multi-atlas segmentace) metod v současné době k dispozici pro automatizované anatomické labeling39 a nedávno vyhrál otevřenou soutěží v krajském/predikce, SPRATCI 2013 na MICCAI 2013 (ref. 40) a SATA výzvy na MICCAI 2012 a MICCAI 2013, latter který zaměstnával několik způsobů napříč druhy a orgánových systémů. Současně je rámec přizpůsobitelný tak, že může být použit k řešení konkrétních problémů s analýzou začleněním předchozích znalostí. Popisujeme, níže, jak zaměstnáváme ANTsR: (1) poskytuje multi-kanálové populace šablony zástupce postupy k dispozici v PTBP; (2) kontrola kvality dat a platnosti zpracování rozhodnutí v každé modality; (3) výpočet shrnutí měření, které umožňují biostatisticians a další badatelé snadný přístup k PTBP dat bez zátěže rozsáhlého zpracování obrazu. V následující části uvedeme klíčová souhrnná opatření, která slouží k podpoře platnosti akvizice i následného zpracování. Veškerý software používaný k dosažení těchto výsledků je veřejně dostupný s velkým úsilím o zdokumentování případů použití na vysoké úrovni i jednotlivých nástrojů. Uvolnění datových i post-processingových toků společně představuje přístup otevřený vědě, který je stále více uznáván jako kritický pro rozvoj vědy41-43.

Více modality populace šablony

Normalizace snímků do standardního souřadného systému snižuje interindividuální variabilita v populaci studie, umožňuje souřadnic, které mají být ve srovnání napříč studiemi a umožňuje zaměstnávat před segmentace na základě/označování techniky. Ty jsou důležité pro segmentaci tkání, extrakci mozku, kortikální parcellaci a funkční nebo strukturální studie konektivity. Existují různé přístupy pro určování normalizované prostor, jako je výběr pre-existující šablony založené na jediné téma, například, Talairach atlas44, nebo veřejně k dispozici v průměru skupina subjektů, například, MNI45 nebo ICBM46 šablony. Používáme symetrickou grupwise normalizační metodu (SyGN) ref. 47, která explicitně modeluje geometrické složky normalizovaný prostor v průběhu optimalizace vyrábět mozku obrazy, které představují zkoumané populace z hlediska tvaru anatomie a vzhled anatomie. Spojka vnitřní symetrie SyN párového registration33 a SyGN je optimalizovaný tvar-založen v průměru šablony vzhledu vede k silný rámec pro obyvatelstvo-konkrétní zobrazovací studie přes řešení a species47–51. Jsme dosažení tohoto obecnost aplikace uložením populace-specifické předběžné informace v rámci šablony prostoru pro pomoc s extrakce mozku nebo jiné kvantifikace kroky.

Tradičně, tento přístup byl použit pro jednotné způsoby, ale v poslední době, je prodloužena na více způsobů, přes kohorty-specifické šablony, které zachycují průměrné tvar a vzhled T1, MPO a funkční snímky, jako v odkazech 25, 32, 49, 52. Některé z těchto šablon byly vydány pro veřejné použití29 a zahrnují populační průměry s variací napříč věkem i modalitou. I když jsou tyto zdroje cenné, řídíme se filozofií vytváření šablony specifické pro populaci pro PTBP a její způsoby, abychom využili nejnovější metodiku registrace obrázků.

náš postup vytváření šablon nejprve vytvoří průměrný obraz mozku T1 z celé populace (n=119). Potom extrahujeme template brain na základě multi-template labeling39, 53, v současné době nejmodernější pro automatizované označování. Pomocí podobného postupu generujeme pravděpodobnostní priori tkáně / struktury pro každou ze 6 zajímavých tkání: kůra, tmavě šedá hmota, mozkomíšní mok, bílá hmota a mozeček. Souhrn šablony stavební řízení je k dispozici s dvěma příklad datové sady, na https://github.com/ntustison/TemplateBuildingExample (tohle je pedagogický příklad využití, není archivovaný datový soubor nebo zveřejněny software). Stejné metody konstruovány šablony jsou k dispozici na ref. 29 který jsme použili jako výchozí bod pro PTBP vlastní tkáně předchozí generace. Po dokončení průměrného obrazu a priors (soubor PTBP.zip), lze přenést všechna data malou deformační registrací do standardního MNI space54 (soubor PTBP_MNI.zip).

Template-založené zpracování jednotlivých subjektů T1 obrázky

přehled Mravenci-na základě strukturální potrubí je k dispozici v ref. 29. Vzhledem k dokončené šabloně T1 jsme schopni segmentovat a zpracovávat jednotlivá data T1. Následně zpracováváme jednotlivé modality včetně DTI, ASL a BOLD. Nakonec generujeme geometrické transformace z doprovodných modalit do anatomického obrazu core T1 a prostoru šablony. Toho dosáhneme po zpracování celé datové sady s více modalitami, jak je popsáno níže. Celkem kroky pro zpracování individuální více modality dataset jsou podrobně popsány zde http://jeffduda.github.io/NeuroBattery/, spolu s příkladem datového souboru a šablony, které mohou být použity k ověření reprodukovatelnosti postupu. To se opakuje pro každého jednotlivce v populaci. Nyní poskytujeme přehled kroků zpracování pro T1 a poté pro každou modalitu. Figura 1 shrnuje celé potrubí.

T1 extrakce mozku

Mozek extrakce pomocí Mravenci kombinuje šablony záznamů, high-výkon mozku obraz registration33, a Atropos32 s topologické vylepšení na základě matematické morfologie, jak je popsáno v ref. 29 a realizováno v antsBrainExtraction.sh. příklad použití je zde https://github.com/ntustison/antsBrainExtractionExample (toto je příklad pedagogického použití, nikoli archivovaná datová sada nebo publikovaný software). Stručně řečeno, v této fázi používáme hrubou a relativně rychlou registraci k výpočtu osnovy mezi obrazem celé hlavy šablony a předmětem zájmu. To nám umožňuje deformovat pravděpodobnostní extrakci mozku ze šablony do prostoru objektu. Pokřivená mapa pravděpodobnosti šablony je prahována na 0,5 a výsledná maska je rozšířena o poloměr 2. Atropos se pak používá ke generování počátečního odhadu segmentace 3 tkání v oblasti masky. Každá ze tří tkáňových masek podstoupí specifické morfologické operace, které se pak spojí a vytvoří masku pro extrakci mozku pro použití ve zbytku pracovního postupu kortikální tloušťky. Srovnání pomocí otevřených přístupových dat mozku s veřejně dostupnými algoritmy extrakce mozku, včetně AFNI 3dIntracranial55, FSL BET2 (ref . 56), Freesurfer je mri_watershed57, a BrainSuite58 prokázáno, že naše společné registrace/segmentace approach47 provádí na nejvyšší úrovni vedle BrainSuite (naladěno) a FreeSurfer.

Šest tkáně segmentace

Náš postup segmentace využívá dvě metody, které jsou vedeny anatomické záznamy a pracovat ve shodě na parcellate mozku do šesti anatomické/tkáně tříd: mozkomíšní mok, kortikální šedá hmota, tmavě šedá hmota, bílá hmota, mozkový kmen a mozeček. Tyto tkáně záznamy jsou nejprve mapována do prostoru předmět provedením velké deformace SyN registrace mezi šablony mozku a individuální téma mozek, jako v odkazech 37, 42, 59. Deformované šablony, záznamy jsou pak použity jako vodítko expectation-maximization (EM) segmentace (Atropos před-založené segmentation32) se střídaly s korekcí nehomogenity N4 bias pole korekce algorithm34. Název N4 vychází ze skutečnosti, že jde o vylepšení klasického algoritmu N360. Atropos odkazuje na postavu z řecké mytologie, který ovládal ‚nůžky osudu‘; v případě segmentace, nůžky viz dělení obrazu do částí. Vzhledem k důležité souhře mezi segmentací a korekcí zkreslení provádíme několik iterací N4 ⇔ Atropos. Abychom lépe integrovali Atropos a N4, používáme čistou masku pravděpodobnosti tkáně vytvořenou ze zadních pravděpodobností generovaných segmentačním procesem. Tento postup je podrobněji popsán v refs 29 a 32. Reprodukovatelné příklad segmentace datového souboru a příkazový řádek pro Mravence metoda antsAtroposN4.sh je zde https://github.com/ntustison/antsAtroposN4Example (tohle je pedagogický příklad využití, není archivovaný datový soubor nebo zveřejněny software).

Přímý (aka KellySlater/KellyKapowski) kortikální tloušťka odhad

Mozek segmentace nám umožňuje vypočítat kortikální tloušťky přes Diffeomorphic Registrace založené na Kortikální Tloušťka (Přímé) algoritmus. DiReCT byl představen v ref. 61 a zpřístupněny v mravenci s programem KellySlater. Od té doby několik vylepšení byly provedeny, a začleněna do programu KellyKapowski, zejména stanovení automatizovaný parametr nastaven na základě rozsáhlých experimentů a srovnání s referenční hodnoty tloušťky kortikální dostupné v literatuře. Důležitější je, že jsme v poslední době ukázal, že tyto metody, jak překonat FreeSurfer package62 z hlediska získávání informací z kortikální tloušťka, která je prediktivní pohlaví a věku ve velké kolekce neuroimages přes lifespan29. Mezi nejvýznamnější pokrok je, že novější provedení je multi-threaded, psány v přísné ITK kódování styl, a má být veřejně k dispozici prostřednictvím Mravenci s kompletní unikátní design uživatelského rozhraní vyvinut speciálně pro Mravence nástroje. Příklad použití s referenčními dvourozměrnými daty je v https://github.com/ntustison/antsCorticalThicknessExample (toto je příklad pedagogického použití, nikoli archivovaná datová sada nebo publikovaný software). Nakonec, Přímý algoritmus vytváří obraz, v předmětu T1 prostor, který obsahuje voxel-wise měření kortikální tloušťky, které jsou vhodné pro použití v voxel-based nebo regionu-na základě statistických studií, jako v odkazech 50, 63-65.

Regionální mozku značení s AAL štítky

posledním krokem v našem T1 potrubí zahrnuje výrobu shrnutí měření pro celkový objem mozku, šest tkáně segmentace a pro regionální a lobární kortikální tloušťky. Pro tento účel využíváme běžně používané AAL labelset. Tyto štítky jsou transformovány z našeho prostoru šablony skupiny s vysokým rozlišením do prostoru jednotlivých předmětů pomocí inverzního difeomorfního mapování šablony. AAL obsahuje standardní regionální parcellace kůry, mozečku a struktur hluboké šedé hmoty včetně putamen, thalamus, hippocampi a caudate. Pro každé téma, které zpracováváme, měříme tyto svazky a regionální průměrná tloušťka produkovat jeden řádek informací, které jsou nakonec zapsány do souhrnné demografické údaje souboru. To se používá nejen pro provádění studie kohorty proměnné, ale také pro počáteční kontrolu údajů, které je, identifikaci jedinců s globální nebo regionální odlehlých hodnot s ohledem na známé referenční hodnoty.

zpracování DTI

náš postup pro analýzu DTI s mravenci byl validován v ref. 67. Ve zkratce, jsme vyvinuli automatizované zpracování potrubí pro difúzní zobrazování pomocí open source nástroje Camino68 a Mravenci, který poskytuje pre-zpracování, extrakce mozku, difuzní tenzor výpočet a normalizace šablonu prostor, stejně jako diagnostické obrázky na téma prostor pro podporu kontroly jakosti, včetně frakční anizotropie, průměrné opraveny DWI, a šumu rozptyl. Jádrem metody je, nejprve, zpracování dat v prostoru DWI a, následně, transformovat data do individuálního prostoru T1 nebo skupinové šablony.

prvním krokem při zpracování DTI je provedení korekce pohybu a zkreslení difúzně vážených obrazů. První nevážený obraz v difúzní sekvenci se používá jako referenční obraz pro korekci pohybu a zkreslení. Zbývající nevážený obrázky jsou pevně spjaty s referenční obraz a v průměru; tento průměr obrázek je použit jako referenční obraz pro afinní korekce difúzně vážené obrazy (DWI) pro návrh a zkreslení způsobené difúzní vážení přechody. Mozková maska se vypočítá zarovnáním průměrného DWI na šablonu a deformací mozkové masky šablony do prostoru objektu. Zpracování pak pokračuje na mozku extrahovaném obrazu. Difuzní tenzory jsou vypočteny pomocí iterativního váženého lineárního algoritmu nejmenších čtverců 69.

transformována DTI jsou zakřiveny do šablony prostoru tím, že kombinuje intraindividuální DWI T1 warp s warp dříve definované normalizovat subjektu T1 obrázek do šablony prostoru. Správné anatomické orientaci difuzní tenzory je zachována použitím zachování hlavní směr method70, a skalární statistiky jako FA a tím rozptyl se počítá z normalizované difuzní tenzory.

odhad nepříjemných proměnných ve funkčních obrazech

několik kroků je společné pro zpracování BOLD nebo ASL funkční MRI. Patří mezi ně extrakce mozku, korekce pohybu a odhad proměnných obtíží. Za poslední jeden až dva roky, zavedli jsme do mravenců metody pro odhad těchto parametrů z dat 4D časových řad. Návrh korekce se provádí pomocí antsMotionCorr program v Mravence, který se používá vzájemné informace podobnost metrické a nelineární konjugovaných gradientů optimizer maximalizovat Afinní nebo Tuhé podobnost mezi každý snímek v době, series a sekvence specifické referenční obraz. Tyto metody jsou založeny na revizi Insight ToolKit verze 4, Jak je popsáno v ref. 71. Parametry pohybu pro každý časový rámec jsou zapsány do souboru CSV tak, aby mohly být shrnuty a případně použity jako nepříjemné proměnné v rámci populačních statistik72. Děláme různé volby referenčního obrazu pro každou modalitu. Pro tučně zvolíme průměrný obrázek z řady full time. Pro CASL a pCASL zvolíme průměrný kontrolní obrázek. Pro PASL používáme získaný obraz M0. Mozek masky je vypočítán buď jednoduché morfologie postup (morfologické eroze následovaná největší výběr součástí a morfologické dilatace), nebo tím, že zarovná referenční pohybu, korekce obrazu sekvence specifické šablony a deformace šablony mozku masku do předmětu prostoru. Pro PTBP jsme použili druhý přístup.

druhá hlavní obtíž, mimo pohyb, je fyziologický hluk73-75. Zatímco jeden by měl zvolit optimální parametry obtěžování pro každou studii a na základě kvality dat, volíme použít data-řízený a automatický přístup Compcor75 který byl validován v ASL a BOLD a nespoléhá se na anatomickou segmentaci. Přístup provádí singulární rozklad na vysokou časovou odchylku voxelů a používá (typicky 3 až 6) singulární vektory jako obtíž regressors. Ukázalo se, že tyto regresory zachycují fyziologický pohyb, šum skeneru a další faktory, které nesouvisejí s průtokem krve mozkem nebo aktivací BOLD. Korekce pohybu i odhad CompCor s mravenci jsou zde zobrazeny https://github.com/stnava/fMRIANTs (toto je příklad pedagogického použití, nikoli archivovaný datový soubor nebo publikovaný software).

průtok krve mozkem (CBF) z ASL

perfuze Parenchymu je důležitý fyziologický parametr v hodnocení a řízení poruch mozku, stejně jako náhradní index nervové activity76. N. m. perfuzní MRI je také ideálně hodí pro farmaceutické studiích u pediatrické populace, jak to umožňuje absolutní kvantifikaci CBF, je zcela neinvazivní a je potenciálně citlivé na léčbu response23. V kontrastu, neuroanatomically definovanými měření jako kortikální thickness22,77,78 a FA odvodit přímo z příslušné fyzikální vlastnost zobrazované mozkové tkáně a může dojít k selhání zachytit kratší termín funkční účinky v důsledku zásahu nebo odborné přípravy. PTBP stanoví proveditelnost ASL-MRI ve věkovém rozmezí, během kterého se mozek rychle rozvíjí a kdy se mohou objevit časné známky budoucích neuropsychiatrických poruch. Tento funkční kvantitativních opatření (versus relativní hodnoty poskytnutých TUČNĚ) má potenciál odhalit změny v mozku v důsledku injury79, pain80, farmakologické intervention81,82 nebo které předcházejí viditelné strukturální změny a může znamenat kortikální reorganization83. CBF je více opakovatelné funkční měření, než BOLD84,85, může být použit v síťové analýzy namísto nebo v kombinaci s BOLD86 a poskytuje jedinečný pohled na mozek doplňovat DTI a T1.

obraz M0 každého subjektu, získaný jako průměr kontrolních obrazů, byl deformován na obraz T1 subjektu pomocí antsIntermodalityIntrasubject.sh scénář. Tyto transformace byly spojeny s transformacemi subjektu k šabloně, aby se deformovaly štítky šablon do nativního ASL prostoru subjektu. Obraz M0 sloužil jako reference pro korekci pohybu všech objemů časových bodů. Kromě výše popsaných regresorů pohybu a obtěžování jsme zahrnuli buď tag nebo kontrolní štítek obrázku jako regresor, přičemž koeficient tohoto regresoru odpovídá průměrnému rozdílu mezi tagem a ovládáním. Všechny regresory byly zahrnuty do robustního regresního schématu pro výpočet CBF87. Rovnice pro výpočet CBF lze nalézt v ref. 88 s předpokládanou účinností značení 0,85. Veškeré podrobnosti jsou k dispozici v open-source skript v https://raw.github.com/stnava/ANTs/master/Scripts/antsASLProcessing.sh (toto je k dispozici jako součást Figshare úložiště, Data, Citace 1). Krev T1 hodnota byla upravena s ohledem na věk a pohlaví jako T1=(2115.6–21.5*věk-73.3*sex) ms, kde ženské pohlaví byl nastaven na 0 a samec byl nastaven na 1, jak je navrženo v ref. 88.

síťová analýza s klidovým BOLD fMRI

síťová analýza může být provedena s některým ze tří typů vstupních dat časových řad: standardní BOLD, ASL-BOLD nebo ASL-CBF. ASL-CBF signál může mít výhody oproti BOLD zejména v orbitofronal a přední temporální oblasti, kde standardní BOLD signál vypuštění occurs89,90. Nicméně, jako n. m.-CBF síťové analýzy je relativně nová a máme jiné metody ověřování n. m.-CBF, jsme se zaměřili na analýzu sítě pomocí odpočívá BOLD modality z PTBP. Cílem je získat standardní síť měření, která může být posouzena pro srovnání s demografickými pomoci vytvořit platnosti pořízení a zpracování.

konstrukci grafu/sítě zakládáme na standardních kortikálních štítcích AAL, které transformujeme z prostoru subjektu T1 do tučného prostoru. Preferujeme provést analýzu v ODVÁŽNÉ prostor, aby se minimalizovalo překoná spojené s interpolací a převzorkování nízké rozlišení snímků, protože to může ovlivnit výsledky v předmětu-závislým způsobem. Každý tučný obraz je nejprve rezidualizován s ohledem na výše popsané základní nepříjemné parametry, tj. Pro každý zajímavý štítek AAL (zde pouze kůra, štítky 1-90) se vypočítá časový signál s průměrem regionu. Každé časové řady je pak pásmovým filtrovat pomocí Christiano-Fitzgerald filtering91, jak je provádí R funkce cffilter v balíčku mFilter, zkoumat rozsahu kmitočtů vhodných pro konkrétní datový typ. Pro pásmové filtrování volíme frekvenční rozsah 0.01-0.1 Hz na základě předchozí práce92 a na předběžných analýzách reprodukovatelnosti sítě v několika předmětech. Síťová součást zpracovatelského potrubí je k dispozici ve skriptu ANTs/ANTsR antsBOLDNetworkAnalysis.R, který předpokládá, že jsou k dispozici mozkové štítky a parametry pohybu. Primární výstup z tohoto skriptu použít na kontrolu údajů, níže, je N×N Pearsonův korelační matice definována korelace mezi filtrované čas-signály pro každý z N označeny regiony.