dette dokument og alle tal gemmer Fig. 1 genereres i farten ved at kompilere inputfilen via r-og lateks-tolkene ved hjælp af knitr-pakken. Dette producerer output pdf sammen med alle statistiske tal og kvantitative demografiske oversigter.

Kohortevalg

prøven blev rekrutteret mellem januar 2010 og februar 2014. Samlet kohortevalg søgte at matche den demografiske fordeling af børn i alderen 7 til 18 år i USA, baseret på amerikanske folketællingsdata, med hensyn til race, etnicitet, køn og familieindkomst. Data blev indsamlet på et enkelt sted, Ahmanson-Lovelace Brain Mapping Center på UCLA, af Laboratoriet for funktionel MR-teknologi (LOFT). Typisk sunde udviklende børn mellem 7 og 18 år blev indskrevet i denne undersøgelse. Eksklusionskriterier blev designet til at screene børn: (1) med tidligere diagnosticerede medicinske tilstande (inklusive udviklingsmæssige, neurologiske, psykiatriske og indlæringsforstyrrelser); (2) der opfyldte kriterier for en læring/psykiatrisk lidelse eller neurologisk tilstand, der ikke tidligere var diagnosticeret; (3) der var blevet udsat for miljøforhold, der var kendt eller sandsynligvis ville påvirke normal udvikling; (4) der ikke kan gennemgå en MR-scanning; og 5) med begrænset engelsk færdighed (da flere tests, der skulle administreres som en del af denne undersøgelse, ikke var tilgængelige på andre sprog end engelsk). Den komplette liste over ekskluderende kriterier er nedenfor:

• udvikling & medicinske lidelser: kendt udviklingsforstyrrelse (manglende trivsel; PKU osv.).

• hørselsnedsættelse, der kræver høreapparat.

• synshandicap (strabismus, synshandicap kan ikke korrigeres med almindelige briller).

• Diabetes (type I, behandlet med insulin).

• systemisk reumatologisk sygdom (for eksempel glomerulonefritis, endokarditis).

• systemisk malignitet, der kræver kemo -& CNS radioterapi medfødt hjertefejl.

• neurologiske lidelser, krampeanfald.

• CNS-infektion (for eksempel meningitis).

• hjernetumor.

• historie af lukket hovedskade med bevidsthedstab> 5 min.

• muskeldystrofi eller myotonisk dystrofi.

• adfærdsmæssig, psykiatrisk,& læringsforstyrrelser: Schisofreni, autismespektrumforstyrrelse, bipolære lidelser, tilbagevendende større Depression, opmærksomhedsunderskud hyperaktivitetsforstyrrelse (ADHD), adfærdsforstyrrelse, Tourette-lidelse, obsessiv Complusiv lidelse (OCD), stofafhængighed.

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

• ik rating < 80.

• Achievement score >2 s.D. under aldersnormer.

• nuværende / tidligere sprogforstyrrelse (dysleksi, stamming).

• specialundervisning placering.

• Mr-kontraindikationer: metalimplantater (seler, stifter) eller metalfragmenter, Pacemaker eller elektroniske medicinske implantater, klaustrofobi, graviditet.

• begrænset engelsk færdighed.

skriftligt informeret samtykke til at deltage i undersøgelsen og offentlig frigivelse af dataene blev indhentet fra hvert emne og deres forældre i henhold til retningslinjerne for institutionel gennemgang (IRB) fra University of California Los Angeles (UCLA) forud for IK-vurdering og MR-scanninger.

vurdering af adfærd og miljø

psykometrisk evaluering

30,31 blev administreret til hvert individ, hvilket resulterede i tre komplementære målinger af IK: det vil sige, at det er en af de mest almindelige måder at gøre det på. Korrelationer mellem fuldskala IK og verbal ik er 0,89, mellem fuldskala IK og ydeevne ik er 0,86 og mellem performance IK og verbal ik er 0,54.

vurdering af socioøkonomisk status og forældrenes baggrund

familieindkomst blev kvantificeret inden for et selvrapporteret interval defineret i USD. Fordelingen af grundlæggende kohortdemografi er vist i Fig. 2. Faderlige og maternelle uddannelsesniveauer blev bestemt af mange års uddannelse med, i denne kohorte, mindst otte år med flere emner, der har 20 års uddannelse. Disse blev efterfølgende oversat til mange års uddannelse for begge forældre, når de var tilgængelige. Emner leverede også selvrapporterende Stigescore på både samfunds-og SES-skalaerne. Samfundsskalaen identificerer emnets opfattede sociale status inden for deres lokalsamfund. Stigen-SES identificerer emnets opfattede rigdom i forhold til samfundet som helhed. Begge underskalaer ligger i området 1 til 6, hvor værdier svarer til trin på stigen.

billedopsamlingsmetoder

alle MR-data blev erhvervet på en Siemens 3 T TIM Trio-scanner ved hjælp af produkt 12 kanals hovedspole.

T1-vægtet erhvervelse

magnetisering-forberedt hurtig erhvervelse Gradient Echo (MPRAGE) billeder blev erhvervet ved hjælp af en 3D inversion recovery sekvens med TR / TE / TI=2,170/4.33/1,100 ms. opløsningen er 1 liter 1 liter 1 mm3 med en matrice størrelse på 256 liter 256 liter 192. Vendevinklen=7 liter og den samlede scanningstid var 8: 08 min.

Cerebral blodgennemstrømning

Pseudo kontinuerlig arteriel spin-mærket (pCASL) billeder blev erhvervet ved hjælp af gradient-echo echo-planar imaging (EPI) med TR/TE=4.000 / 12 ms. opløsningen er 3,125 liter 3,125 liter 6 mm (5 mm med 1 mm mellemrum) over en 64 kg 64 liter 24 matrice. 40 label / kontrolpar blev erhvervet. Generaliseret autokalibrering delvist parallel erhvervelse (GRAPPA) blev anvendt med en accelerationsfaktor på 2. Mærkningens varighed var 1,5 s, og forsinkelsen efter mærkning var 1,2 s. den samlede billedbehandlingstid var 5:30 min.

erhvervelse af Diffusionstensor

Diffusionsvægtede billeder blev erhvervet med single-shot multi-slice ved hjælp af spin-echo EPI med TR/TE=9.500 / 87 ms. et enkelt b=0 volumen blev erhvervet langs diffusionsvægtede billeder i 30 retninger med b-værdi=1.000. Opløsningen er 2 liter 2 liter 2 mm med en matricestørrelse på 128 liter 128 liter 75 stemmer. Flipvinklen=90 kr.

fed erhvervelse

blod iltniveauafhængige (BOLD) billeder blev erhvervet i hviletilstand ved hjælp af 2D EPI med TR/TE=2.000 / 27 ms. opløsningen er 4 liter 4 liter 4 mm over en 64 liter 64 liter 25 og op til 244 tidspunkter blev erhvervet. Flipvinklen=80 kr. Emner var forpligtet til at slappe af stille, mens man så på et fikseringspunkt.

Billedbehandlingsmetoder

Vi anvender avancerede Normaliseringsværktøjer med R (ANTsR)http://stnava.github.io/ANTsR/ for at kontrollere, organisere og samle en multipel modalitetsdatabasefil, der opsummerer rækkevidden af målinger, der er tilgængelige i PTBP. Alle scripts og kildekode er tilgængelige i ANTsR og dens afhængigheder.

ANTsR (svar) er en åben videnskabsanalyseramme, der søger at muliggøre forudsigelige biomedicinske studier, der integrerer billeddannelsesmetoder med andre data. ANTsR løser statistiske behov med r, det statistiske computersprog, mens man bruger en Myrekerne til billedregistrering, segmentering og skabelonkonstruktion32–36. Denne ramme er unikt generelt formål, idet den ikke antager nogen antagelser om billedindhold eller organsystemer, som det anvendes på, og er passende for N-dimensionelle data (2-D, 3-D, 4-D). Som bevis for denne generalitet vandt ANTsR tools to uafhængige registreringskonkurrencer, en i brain MRI37 og en i lung CT38. Desuden er ANTsR medvirkende til en af de førende joint label fusion (multi-atlas segmentering) metoder, der i øjeblikket er tilgængelige til automatiseret anatomisk etikettering39 og vandt for nylig åbne konkurrencer i segmentering/forudsigelse, BRATS 2013 på MICCAI 2013 (ref. 40) og SATA-udfordringerne på MICCAI 2012 og MICCAI 2013, hvoraf sidstnævnte anvendte flere modaliteter på tværs af arter og organsystemer. Samtidig kan rammen tilpasses således, at den kan bruges til at løse specifikke analyseproblemer ved at inkorporere forudgående viden. Vi beskriver nedenfor, hvordan vi anvender ANTsR til: (1) give en flerkanals populationsskabelon, der er repræsentativ for de tilgængelige modaliteter i PTBP; (2) kontrollere datakvaliteten og gyldigheden af behandlingsbeslutninger i hver modalitet; (3) beregne summariske målinger, der gør det muligt for biostatistikere og andre forskere let adgang til PTBP-data uden byrde ved storskala billedbehandling. I det følgende afsnit vil vi rapportere vigtige summariske foranstaltninger, der tjener til at understøtte gyldigheden af både erhvervelse og efterbehandling. Alle programmer, der bruges til at opnå disse resultater, er offentligt tilgængelige med en betydelig indsats for at dokumentere både brugssager på højt niveau og individuelle værktøjer. Frigivelse af både data-og efterbehandlingsstrømme udgør sammen en åben videnskabstilgang, der i stigende grad anerkendes som kritisk for udviklingen af science41-43.

multiple modalitetspopulation skabelon

normalisering af billeder til et standardkoordinatsystem reducerer intersubject variabilitet i befolkningsundersøgelser, gør det muligt at sammenligne koordinater på tværs af undersøgelser og tillader en at anvende tidligere baserede segmenterings- / mærkningsteknikker. Sidstnævnte er vigtige for vævssegmentering, hjerneekstraktion, kortikal parcellation og funktionelle eller strukturelle forbindelsesundersøgelser. Der findes forskellige tilgange til bestemmelse af det normaliserede rum, såsom valg af en allerede eksisterende skabelon baseret på et enkelt emne, for eksempel Talairach atlas44 eller en offentligt tilgængelig gennemsnitlig gruppe af emner, for eksempel mni45-eller ICBM46-skabeloner. Vi anvender den symmetriske gruppevis normalisering metode (SyGN) af ref. 47 som eksplicit modellerer den geometriske komponent i det normaliserede rum under optimering for at producere hjernebilleder, der repræsenterer den undersøgte befolkning med hensyn til både anatomiets form og anatomiets udseende. Kobling af den iboende symmetri af SyN parvis registrering33 og Sygns optimerede formbaserede gennemsnit af skabelonudseendet fører til en stærk ramme for befolkningsspecifikke billeddannelsesundersøgelser på tværs af modalitet og arter47-51. Vi opnår denne generelle anvendelse ved at lagre befolkningsspecifikke forudgående oplysninger inden for skabelonrummet for at hjælpe med hjerneekstraktion eller andre kvantificeringstrin.

traditionelt blev denne tilgang brugt til enkeltmodaliteter, men for nylig udvides til flere modaliteter via kohortespecifikke skabeloner, der fanger den gennemsnitlige form og udseende af T1, DTI og funktionelle billeder, som i refs 25, 32, 49, 52. Nogle af disse skabeloner er blevet frigivet til offentlig brug29 og inkluderer befolkningsgennemsnit med variation på tværs af både alder og Modalitet. Mens disse ressourcer er af værdi, vi følger filosofien om at opbygge en befolkningsspecifik skabelon til PTBP og dens modaliteter, så vi drager fordel af den nyeste billedregistreringsmetode.

vores skabelonopbygningsprocedure konstruerer først et gennemsnitligt T1-hjernebillede fra den fulde befolkning (n=119). Vi udtrækker derefter skabelonhjernen baseret på multi-skabelon etikettering39,53, i øjeblikket den nyeste teknologi til automatiseret mærkning. Ved hjælp af en lignende procedure genererer vi probabilistiske væv / strukturpriorer for hvert af de 6 væv af interesse: hjernebarken, dyb grå substans, cerebrospinalvæske, hvidt stof og lillehjernen. En oversigt over skabelonopbygningsproceduren er tilgængelig med to eksempel datasæt på https://github.com/ntustison/TemplateBuildingExample (dette er et pædagogisk brugseksempel, ikke et arkiveret datasæt eller offentliggjort program). De samme metoder konstruerede de skabeloner, der er tilgængelige på ref. 29 som vi brugte som udgangspunkt for PTBP custom tissue tidligere generation. Når det gennemsnitlige billede og priors er afsluttet (fil PTBP.data ved en lille deformation registrering i standard MNI space54 (fil PTBP_MNI.zip).

skabelonbaseret behandling af individuelle fag T1-billeder

en oversigt over den Myrbaserede strukturelle rørledning er tilgængelig i ref. 29. Givet en færdiggjort T1-skabelon, vi er i stand til at segmentere og behandle de enkelte T1-data. Vi behandler efterfølgende individuelle modaliteter, herunder DTI, ASL og BOLD. Endelig genererer vi de geometriske transformationer fra ledsagemodaliteterne til kernen T1 anatomisk billede såvel som skabelonrummet. Vi opnår dette, når det fulde datasæt med flere modaliteter er behandlet, som beskrevet nedenfor. I alt er de involverede trin til behandling af et individuelt datasæt med flere modaliteter beskrevet her http://jeffduda.github.io/NeuroBattery/ sammen med et eksempel datasæt og skabelon, der kan bruges til at verificere reproducerbarheden af proceduren. Dette gentages for hver enkelt person i en befolkning. Vi giver nu et overblik over behandlingstrinnene for T1 og derefter for hver modalitet. Figur 1 opsummerer den fulde rørledning.

T1 hjerneekstraktion

hjerneekstraktion ved hjælp af myrer kombinerer skabelonpriors, højtydende hjernebilledregistrering33 og atropos32 med topologiske forbedringer baseret på matematisk morfologi, som beskrevet i ref. 29 og gennemført i antsBrainExtraction.sh. et eksempel på brug er her https://github.com/ntustison/antsBrainExtractionExample (dette er et pædagogisk brugseksempel, ikke et arkiveret datasæt eller offentliggjort program). Kort sagt, i dette trin, vi bruger en grov og relativt hurtig registrering til at beregne en kæde mellem skabelonens helhovedbillede og emnet af interesse. Dette gør det muligt for os at fordreje en sandsynlig hjerneekstraktion fra skabelonen ind i emneområdet. Det Skæve skabelon sandsynlighedskort tærskes ved 0,5, og den resulterende maske udvides med en radius på 2. Atropos bruges derefter til at generere et indledende 3-vævssegmenteringsestimat inden for maskeområdet. Hver af de tre vævsmasker gennemgår specifikke morfologiske operationer, som derefter kombineres for at skabe en hjerneekstraktionsmaske til brug i resten af den kortikale tykkelsesarbejdsgang. En sammenligning ved hjælp af Open access hjernedata med offentligt tilgængelige hjerneekstraktionsalgoritmer inklusive AFNI ‘s 3DINTRACRANIAL55, FSL’ s BET2 (ref. 56), Freesurfers mri_vandsrum57 og BrainSuite58 viste, at vores kombinerede registrerings – / segmenteringsmetode 47 fungerer på øverste niveau sammen med BrainSuite (tuned) og FreeSurfer.

seks vævssegmentering

vores segmenteringsprocedure udnytter to metoder, der styres af anatomiske priors, og som arbejder sammen for at parcellere hjernen i seks anatomiske / vævsklasser: cerebrospinalvæske, kortikalt gråt stof, dybt gråt stof, hvidt stof, hjernestamme og lillehjernen. Disse vævspriorer kortlægges først ind i emneområdet ved at udføre en stor deformationssyn-registrering mellem skabelonen cerebrum og det enkelte subjekt cerebrum, som i refs 37, 42, 59. De deformerede skabelonpriors bruges derefter til at styre forventningsmaksimering (EM) segmentering (Atropos prior-based segmentation32) vekslet med inhomogenitetskorrektion via N4 bias field correction algorithm34. Navnet N4 stammer fra det faktum, at det er en forbedring på den klassiske N3 algorithm60. Atropos henviser til en figur i græsk mytologi, der udøvede ‘skæbnesaks’; i tilfælde af segmentering henviser saksene til at opdele billedet i dele. På grund af det vigtige samspil mellem segmentering og biaskorrektion udfører vi flere N4-Atropos-iterationer. For bedre at integrere Atropos og N4 bruger vi en ren vævs sandsynlighedsvægtmaske genereret fra de bageste sandsynligheder genereret fra segmenteringsprocessen. Denne procedure er beskrevet mere detaljeret i refs 29 og 32. Et reproducerbart eksempel segmenteringsdatasæt og kommandolinje til Myremetoden antsAtroposN4.sh er her https://github.com/ntustison/antsAtroposN4Example (dette er et pædagogisk brugseksempel, ikke et arkiveret datasæt eller offentliggjort program).

direkte (aka KellySlater/Kellykapovsky) kortikalt tykkelsesestimering

Hjernesegmentering gør det muligt for os at beregne kortikaltykkelse via den Diffeomorfe Registreringsbaserede Kortikaltykkelse (direkte) algoritme. Direkte blev indført i ref. 61 og stilles til rådighed i myrer med programmet KellySlater. Siden da er der foretaget flere forbedringer og indarbejdet i programmet Kellykapovsky, især bestemmelse af et automatiseret parametersæt baseret på omfattende eksperimentering og sammenligning med referencekortikale tykkelsesværdier, der er tilgængelige i litteraturen. Det er vigtigt, at vi for nylig viste, at disse metoder overgår FreeSurfer package62 med hensyn til ekstraktion af information fra kortikal tykkelse, der er forudsigelig for køn og alder i en stor samling af neuroimages på tværs af levetiden29. Blandt de mest betydningsfulde fremskridt er, at den nyere implementering er multi-threaded, skrevet i streng ITK-kodningsstil, og er blevet gjort offentligt tilgængelig gennem ANTs komplet med et unikt brugergrænsefladedesign udviklet specielt til Myreværktøjer. Et eksempel på brug med reference todimensionale data er i https://github.com/ntustison/antsCorticalThicknessExample (dette er et pædagogisk brugseksempel, ikke et arkiveret datasæt eller offentliggjort program). I sidste ende producerer den direkte algoritme et billede i emne T1-rum, der indeholder vokselvise målinger af kortikaltykkelse, der er passende til brug i vokselbaserede eller regionbaserede statistiske undersøgelser som i refs 50, 63-65.

Regional hjernemærkning med Aal-etiketter

det sidste trin i Vores T1-rørledning involverer fremstilling af summariske målinger for det samlede hjernevolumen, de seks vævssegmentering og for regional og lobar kortikal tykkelse. Vi anvender den udbredte Aal labelset til dette formål66. Disse etiketter omdannes fra vores gruppeskabelon med høj opløsning til det individuelle emnerum ved at følge det inverse af skabelonen diffeomorf kortlægning. AAL indeholder regionale standardparcellationer af hjernebarken, cerebellum og dybe grå stofstrukturer, herunder putamen, thalamus, hippocampi og caudat. For hvert emne, vi behandler, måler vi disse mængder og regional gennemsnitstykkelse, der producerer en enkelt række oplysninger, som i sidste ende indtastes i en sammenfattende demografifil. Dette bruges ikke kun til at udføre undersøgelser af kohortevariabler, men også til indledende datakontrol, dvs.identifikation af emner med globale eller regionale outlierværdier med hensyn til kendte referenceværdier.

DTI-behandling

vores procedure til analyse af DTI med myrer blev valideret i ref. 67. Kort sagt, vi har udviklet en automatiseret behandlingsrørledning til diffusionsbilleddannelse ved hjælp af open source-værktøjerne Camino68 og myrer, som giver forbehandling, hjerneekstraktion, diffusionstensorberegning, og normalisering til skabelonrum, samt diagnostiske billeder i emneområdet for at hjælpe kvalitetskontrol, inklusive fraktioneret anisotropi, gennemsnitlig korrigeret DVI, og støjvarians. Kernen i metoden er først at behandle data i DVI-rummet og derefter omdanne dataene til individuelt T1-eller gruppeskabelonrum.

det første trin i DTI-behandling er at udføre bevægelses-og forvrængningskorrektion af de diffusionsvægtede billeder. Det første uvægtede billede i diffusionssekvensen bruges som referencebillede til korrektion af bevægelse og forvrængning. De resterende ikke-vægtede billeder er stift justeret til referencebilledet og gennemsnit; dette gennemsnitlige billede bruges som referencebillede til Affin korrektion af diffusionsvægtede billeder (DVI) til bevægelse og forvrængning forårsaget af diffusionsvægtningsgradienterne. En hjernemaske beregnes ved at tilpasse gennemsnittet til en skabelon og vride skabelonhjernemasken ind i motivrummet. Behandlingen fortsætter derefter på det hjerneekstraherede billede. Diffusionstensorer beregnes ved hjælp af en iterativ vægtet lineær mindste kvadraters algoritm69.

den transformerede DTI er skæv til skabelonrummet ved at kombinere intra-subjekt DVI til T1-kæde med den kæde, der tidligere er defineret for at normalisere motivets T1-billede til skabelonrummet. Den korrekte anatomiske orientering af diffusionstensorerne bevares ved at anvende bevarelsen af hovedretningsmetode70, og skalarstatistik såsom FA og gennemsnitlig diffusivitet beregnes ud fra de normaliserede diffusionstensorer.

estimering af generende variabler i funktionelle billeder

flere trin er fælles for behandling af enten fed eller ASL funktionel Mr. Disse inkluderer hjerneekstraktion, bevægelseskorrektion og generende variabel estimering. I løbet af de sidste et til to år introducerede vi metoder i myrer til estimering af disse parametre ud fra 4D-tidsseriedata. Bevægelseskorrektion udføres af antsMotionCorr-programmet i myrer, der bruger en gensidig information lighedsmåling og en ikke-lineær konjugatgradientoptimering for at maksimere den Affine eller stive lighed mellem hvert billede i en tidsserie og et sekvensspecifikt referencebillede. Disse metoder er baseret på Insight ToolKit version 4 revision, som beskrevet i ref. 71. Bevægelsesparametrene for hver tidsramme skrives ud til en CSV-fil, så de kan opsummeres og muligvis bruges som generende variabler inden for populationsstatistikker72. Vi foretager forskellige valg af referencebillede for hver modalitet. For fed skrift vælger vi det gennemsnitlige billede fra fuld tidsserien. For CASL og pCASL vælger vi den gennemsnitlige kontrol mærket billede. Til PASL bruger vi det erhvervede M0-billede. En hjernemaske beregnes ved enten en simpel morfologiprocedure (morfologisk erosion efterfulgt af største komponentvalg og morfologisk udvidelse) eller ved at tilpasse referencebevægelseskorrektionsbilledet til en sekvensspecifik skabelon og vride skabelonen hjernemaske ind i motivrummet. For PTBP brugte vi sidstnævnte tilgang.

den anden store gener, ud over bevægelse, er fysiologisk støj73–75. Mens man skal vælge optimale generende parametre for hver undersøgelse og baseret på datakvalitet, vælger vi at bruge den datadrevne og automatiske CompCor approach75, som blev valideret i ASL og BOLD og ikke er afhængig af anatomisk segmentering. Fremgangsmåden udfører nedbrydning af entalværdi på vokaler med høj tidsmæssig varians og bruger (typisk 3 til 6) entalvektorer som generende regressorer. Disse regressorer blev vist at fange fysiologisk bevægelse, scannerstøj og andre faktorer, der ikke er relateret til cerebral blodgennemstrømning eller fed aktivering. Både bevægelseskorrektion og CompCor-estimering med myrer vises her https://github.com/stnava/fMRIANTs (dette er et pædagogisk brugseksempel, ikke et arkiveret datasæt eller offentliggjort program).

Cerebral blodgennemstrømning (CBF) fra ASL

Parenchymal perfusion er en vigtig fysiologisk parameter i evaluering og styring af hjernesygdomme samt et surrogatindeks for neurale aktivitet76. ASL perfusion MR er også ideel til farmaceutiske forsøg i pædiatriske populationer, da det tillader absolut CBF-kvantificering, er fuldstændig ikke-invasiv og er potentielt følsom over for behandlingsresponse23. I modsætning, neuroanatomisk definerede målinger såsom kortikalt tykkelse22,77,78 og FA stammer direkte fra en relevant fysisk egenskab af det afbildede hjernevæv og kan undlade at fange kortere sigt funktionelle effekter på grund af intervention eller træning. PTBP fastslår muligheden for ASL-MR i et aldersinterval, hvor hjernen udvikler sig hurtigt, og når tidlige tegn på fremtidige neuropsykiatriske lidelser kan opstå. Dette funktionelle kvantitative mål (versus de relative værdier leveret af BOLD) har potentialet til at afsløre ændringer i hjernen på grund af skade79, smerte80, farmakologisk intervention81,82 eller der går forud for synlig strukturændring og kan indikere kortikal reorganisering83. CBF er en mere gentagelig funktionel måling end BOLD84,85, kan bruges i netværksanalyse i stedet for eller kombination med BOLD86 og giver et unikt syn på hjernen, der supplerer DTI og T1.

hvert motivs M0-billede, opnået som middelværdien af kontrolbillederne, blev skævt til motivets T1-billede ved hjælp af antsIntermodalityIntrasubject.sh manuskript. Disse transformationer blev sammenkædet med subject-to-template-transformationerne for at kæde skabelonetiketterne til subject native ASL-rummet. M0-billedet tjente som reference til bevægelseskorrektion af alle tidspunktsvolumener. Ud over de bevægelses-og generende regressorer, der er beskrevet ovenfor, inkluderede vi enten tag-eller kontroletiketten på billedet som en regressor, med koefficienten for den regressor svarende til den gennemsnitlige forskel mellem tag og kontrol. Alle regressorer blev inkluderet i en robust regressionsordning til CBF-beregning87. Ligningen for CBF beregning kan findes i ref. 88 med en antaget mærkningseffektivitet på 0,85. Alle detaljer er tilgængelige i open source-scriptet på https://raw.github.com/stnava/ANTs/master/Scripts/antsASLProcessing.sh (dette er tilgængeligt som en del af Figshare-arkivet, data Citation 1). Blod-T1-værdien blev justeret for alder og køn som T1=(2115,6–21,5*alder-73,3*køn) ms, hvor kvindelig køn blev sat til 0 og mand blev sat til 1, som foreslået i ref. 88.

netværksanalyse med hvilende fed fMRI

netværksanalyse kan udføres med en hvilken som helst af tre typer inputtidsseriedata: standard fed, ASL-fed eller ASL-CBF. ASL-CBF-signalet kan have fordele i forhold til BOLD, især i de orbitofronale og forreste temporale regioner,hvor standard BOLD signal frafald forekommer89, 90. Da ASL-CBF-netværksanalyse imidlertid er relativt ny, og vi har andre metoder til validering af ASL-CBF, fokuserer vi på netværksanalyse ved hjælp af resting BOLD-modaliteten fra PTBP. Målet er at udtrække standard netværksmålinger, der kan vurderes til sammenligning med demografi for at hjælpe med at fastslå gyldigheden af erhvervelsen og behandlingen.

Vi baserer vores graf/netværkskonstruktion på standard Aal kortikale etiketter, som vi omdanner fra T1-emneområdet til det dristige rum. Vi foretrækker at udføre analyse i det dristige rum for at minimere de forvirringer, der er forbundet med interpolation og resampling af billeder med lav opløsning, da disse kan påvirke resultaterne på en fagafhængig måde. Hvert fed billede er først residualiseret med hensyn til baseline gener parametre beskrevet ovenfor, det vil sige bevægelsesparametre og CompCor ental vektorer. For hver Aal-etiket af interesse (her kun hjernebarken, etiketter 1-90) beregnes et region-gennemsnitligt tidssignal. Hver tidsserie filtreres derefter bandpass ved hjælp af Christiano-Fitsgerald filtrering91, som implementeret af R-funktionen cffilter i pakke mFilter, for at undersøge en række frekvenser, der passer til den specifikke datatype. Til båndpasfiltrering vælger vi frekvensområdet 0,01 – 0,1 HS baseret på tidligere arbejde92 og på foreløbige analyser, i nogle få emner, af netværksgengivelighed. Netværkskomponenten i behandlingsrørledningen er tilgængelig i myrer/ANTsR-scriptet antsboldnetværksanalyse.R, der antager, at hjerneetiketter og bevægelsesparametre er tilgængelige. Den primære output af dette script, der bruges til datakontrol, under, er n-kursen N Pearson korrelationsmatrice defineret af sammenhængen mellem de filtrerede tidssignaler for hver af de n-mærkede regioner.