This document and all figures save Fig. 1 luodaan lennossa kokoamalla tulotiedosto R-ja LaTeX-tulkkien kautta neulr-pakettia käyttäen. Tämä tuottaa tulosteen pdf sekä kaikki tilastoluvut ja määrälliset Demografiset yhteenvedot.

kohortin valinta

otos otettiin palvelukseen tammikuun 2010 ja helmikuun 2014 välisenä aikana. Yleinen kohorttivalinta pyrki vastaamaan Yhdysvaltain väestönlaskentatietojen perusteella 7-18 – vuotiaiden lasten väestöllistä jakaumaa rodun, etnisyyden, sukupuolen ja perheen tulojen suhteen. Tiedot kerättiin yhdessä paikassa, Ahmanson-Lovelace Brain Mapping Center UCLA, Laboratory of Functional MRI Technology (LOFT). Tutkimukseen otettiin mukaan tyypillisesti terveitä 7-18-vuotiaita kehittyviä lapsia. Poissulkukriteerit suunniteltiin seulomaan lapset: (1) joilla on aiemmin diagnosoitu sairaus (mukaan lukien kehityshäiriöt, neurologiset, psykiatriset ja oppimishäiriöt); (2) jotka täyttivät kriteerit oppimis – /psykiatriselle häiriölle tai neurologiselle sairaudelle, jota ei ole aiemmin diagnosoitu.; (3) jotka olivat altistuneet ympäristöolosuhteille, joiden tiedetään tai todennäköisesti vaikuttavan normaaliin kehitykseen; (4) joille ei voida tehdä magneettikuvausta; ja 5) joilla on rajallinen englannin kielen taito (koska useita tämän tutkimuksen osana annettavia testejä ei ollut saatavilla muilla kielillä kuin englanniksi). Täydellinen lista poissulkevista kriteereistä on alla:

• Developmental & Medical Disorders: Known developmental disorder (Failure to three; PKU jne.).

• kuulolaitetta vaativa kuulovamma.

• näkövamma (karsastus, Näkövamma ei korjattavissa tavallisilla laseilla).

• Diabetes (tyypin I Diabetes, jota hoidetaan insuliinilla).

• systeeminen reumatologinen sairaus (esimerkiksi glomerulonefriitti, endokardiitti).

• kemoterapiaa vaativa systeeminen maligniteetti- & CNS sädehoito synnynnäinen sydänvika.

• neurologiset häiriöt, kouristuskohtaus.

• CNS-infektio (esimerkiksi aivokalvontulehdus).

• aivokasvain.

• aiemmin suljettu päävamma, johon liittyi tajunnan menetys > 5 min.

• lihasdystrofia tai Myotoninen dystrofia.

käytöshäiriö, psykiatrinen, &Oppimishäiriöt: skitsofrenia, autismikirjon häiriö, kaksisuuntainen mielialahäiriö, toistuva vakava masennus, tarkkaavaisuus-ja ylivilkkaushäiriö (ADHD), käytöshäiriö, Touretten häiriö, pakko-oireinen Komplusiivinen häiriö (OCD), huumeriippuvuus.

Child Behavior Checklist (CBCL) subscale score <70.

IQ rating <80.

• saavutuspisteet >2 s.D. alle ikänormien.

• nykyinen / mennyt kielihäiriö (dysleksia, änkytys).

• erityisopetuksen harjoittelu.

MRI-vasta-aiheet: metalliset implantit (henkselit, nastat) tai metallinpalat, tahdistin tai elektroniset lääketieteelliset implantit, klaustrofobia, raskaus.

• rajoitettu englannin kielen taito.

jokaiselta tutkittavalta ja heidän vanhemmiltaan saatiin kirjallinen suostumus tutkimukseen osallistumiseen ja tietojen julkiseen julkaisuun Kalifornian yliopiston Los Angelesin (UCLA) Institutional Review Boardin (Irb) ohjeiden mukaan ennen IQ assessment-ja MR-skannauksia.

käyttäytymisen ja ympäristön arviointi

psykometrinen arviointi

Wechslerin älykkyyden lyhennetty asteikko (WASI)30,31 annettiin jokaiselle koehenkilölle, mikä johti kolmeen täydentävään ÄLYKKYYSOSAMITTAUKSEEN: sanallinen älykkyysosamäärä (Sanasto, samankaltaisuudet), Suoritusarvomäärä (matriisin päättely, Lohkosuunnittelu) ja koko asteikon älykkyysosamäärä. Täyden ja verbaalisen älykkyysosamäärän välinen korrelaatio on 0,89, täysimittaisen ja suorituskyvyn älykkyysosamäärä 0,86 ja suorituskyvyn ja verbaalisen älykkyysosamäärän välinen korrelaatio 0,54.

sosioekonomisen aseman ja vanhempien taustan arviointi

perheen tulot määritettiin itse ilmoitetulla vaihteluvälillä, joka määriteltiin Yhdysvaltain dollareina. Peruskohorttidemografian jakauma on esitetty Fig: ssä. 2. Isän ja äidin koulutustaso määritettiin koulutusvuosien perusteella siten, että tässä kohortissa koulutus kesti vähintään kahdeksan vuotta ja useilla tutkittavilla oli vähintään 20 vuotta koulutusta. Nämä muunnettiin myöhemmin molempien vanhempien vuosien koulutuksiksi, kun niitä oli tarjolla. Koehenkilöt antoivat myös omailmoitusportaatuloksia sekä yhteisön että SES: n asteikoista. Yhteisön asteikko määrittää kohteen koetun sosiaalisen aseman heidän paikallisyhteisössään. Tikapuut-SES tunnistaa koehenkilön koetun varallisuuden suhteessa koko yhteiskuntaan. Molemmat ala-asteikot ovat välillä 1-6, jossa arvot vastaavat tikkaiden puolia.

Kuvankeruumenetelmät

kaikki MRI-tiedot hankittiin Siemens 3 T TIM Trio-skannerilla, jossa käytettiin tuotetta 12-kanavainen pääkäämi.

T1-painotettu hankinta

Magnetointiin perustuva nopea hankinta Gradienttikaiku (MPRAGE) – kuvat hankittiin käyttäen 3D-inversio-palautussekvenssiä TR / TE / TI=2,170/4.33/1,100 ms. resoluutio on 1×1×1 mm3 matriisin koon ollessa 256×256×192. Kääntökulma=7° ja kokonaisskannausaika oli 8: 08 min.

aivojen verenvirtaus

Pseudo-jatkuva valtimon spin merkitty (pCASL) kuvat hankittiin gradientti-echo echo-planar imaging (EPI) – kuvantamismenetelmällä TR/TE=4 000 / 12 ms. resoluutio on 3, 125×3, 125×6 mm (5 mm 1 mm: n raolla) 64×64×24-matriisissa. Levy – /ohjauspareja hankittiin 40 kappaletta. Yleistettyä autokalibrointia osittain rinnakkaiskäyttöön (GRAPPA) käytettiin kiihtyvyyskertoimella 2. Merkintöjen kesto oli 1,5 s ja merkintöjen jälkeinen viive oli 1,2 s. Kokonaiskuvausaika oli 5:30 min.

Diffuusiotensorihankinta

Diffuusiopainotetut kuvat hankittiin kertaheitolla multi-slice käyttäen spin-echo EPI: tä TR/TE=9 500 / 87 ms. yksi B=0 tilavuus hankittiin diffuusiopainotettuja kuvia pitkin 30 suuntaan B-arvo=1 000. Resoluutio on 2×2×2 mm ja matriisin koko 128×128×75 vokselia. Kääntökulma=90°.

lihavoitu hankinta

veren happitasosta riippuvat (lihavoidut) kuvat hankittiin lepotilassa käyttäen 2D EPI: tä TR/TE=2 000 / 27 ms. resoluutio on 4×4×4 mm 64×64×25 matriisilla ja aikapisteitä saatiin jopa 244. Kääntökulma=80°. Koehenkilöiden piti rentoutua hiljaa katsellessaan kiinnekohtaa.

Kuvankäsittelymenetelmät

käytämme edistyneitä Normalisointityökaluja r (ANTsR) http://stnava.github.io/ANTsR/ tarkistaaksemme, järjestääksemme ja kootaksemme useita modaliteettitietokantatiedoston, jossa on yhteenveto PTBP: n mittausalueista. Kaikki skriptit ja lähdekoodi ovat saatavilla ANTsR: ssä ja sen riippuvuuksissa.

ANTsR (answer) on avoimen tieteen analyysikehikko, joka pyrkii mahdollistamaan ennustavat biolääketieteelliset tutkimukset, joissa kuvantamistavat yhdistetään muuhun aineistoon. ANTsR ratkaisee tilastolliset tarpeet R: llä, tilastollisella laskentakielellä, kun taas ANTs–ydintä käytetään kuvien rekisteröintiin, segmentointiin ja mallin rakentamiseen 32-36. Tämä viitekehys on yksikäsitteisen yleiskäyttöinen siinä mielessä, että siinä ei tehdä oletuksia kuvan sisällöstä tai urkujärjestelmistä, joihin sitä sovelletaan, ja se soveltuu N-ulotteiseen dataan (2-D, 3-D, 4-D). Osoituksena tästä yleisyydestä ANTsR tools voitti kaksi itsenäistä rekisteröintikilpailua, yhden brain MRI37: ssä ja yhden keuhkojen ct38: ssa. Lisäksi, ANTsR on keskeinen yksi johtavista yhteinen label fusion (multi-atlas segmentointi) menetelmiä tällä hetkellä saatavilla automatisoitu anatominen labeling39 ja äskettäin voitti avoimia kilpailuja segmentointi/ennustaminen, BRATS 2013 miccai 2013 (ref. 40) ja SATA haasteet MICCAI 2012 ja MICCAI 2013, joista jälkimmäinen työskenteli useita modaliteetteja eri lajien ja urut. Samalla kehys on muokattavissa siten, että sitä voidaan käyttää erityisten analyysiongelmien ratkaisemiseen sisällyttämällä siihen aikaisempaa tietoa. Kuvaamme, alla, miten käytämme ANTsR: (1) laaditaan monikanavainen populaatiomalli, joka edustaa PTBP: ssä käytettävissä olevia menettelyjä; (2) tarkistetaan tietojen laatu ja käsittelypäätösten pätevyys kussakin modaliteetissa; (3) lasketaan yhteenvetomittaukset, joiden avulla biostatistikot ja muut tutkijat voivat helposti saada PTBP: n tietoja ilman laajamittaista kuvankäsittelyä. Seuraavassa osiossa kerromme keskeisistä yhteenvetotoimenpiteistä, jotka tukevat sekä hankinnan että jälkikäsittelyn pätevyyttä. Kaikki näiden tulosten saavuttamiseksi käytetyt ohjelmistot ovat julkisesti saatavilla, ja niiden avulla on pyritty dokumentoimaan sekä korkean tason käyttötapauksia että yksittäisiä työkaluja. Sekä tietojen että käsittelyn jälkeisten virtojen vapauttaminen muodostaa yhdessä avoimen tieteen lähestymistavan, jota pidetään yhä tärkeämpänä tieteen edistämiselle41-43.

Multiple modality population template

kuvien normalisointi standardikoordinaattijärjestelmään vähentää populaatiotutkimusten yksilökohtaista vaihtelua, mahdollistaa koordinaattien vertailun eri tutkimuksissa ja mahdollistaa aikaisempaan pohjautuvien segmentointi- / merkintätekniikoiden käytön. Viimeksi mainitut ovat tärkeitä kudosten segmentoinnissa, aivojen poistossa, aivokuoren parcellaatiossa ja toiminnallisten tai rakenteellisten yhteyksien tutkimuksissa. Normalisoidun avaruuden määrittämiseksi on olemassa erilaisia lähestymistapoja, kuten esim.ennalta olemassa olevan mallin valinta yhden subjektin perusteella, esimerkiksi Talairach atlas44, tai julkisesti saatavilla olevan subjektien keskiarvoryhmän, esimerkiksi mni45-tai ICBM46-mallineet. Käytämme symmetric groupwise normalisointi menetelmä (SyGN) ref. 47 joka nimenomaisesti malleja geometrinen komponentti normalisoitu tilaa optimoinnin aikana tuottaa aivojen kuvia, jotka edustavat tutkittavan väestön kannalta sekä muodon anatomian ja ulkonäkö anatomia. Syn pairwise registration33: n sisäisen symmetrian ja SyGN: n mallin ulkonäön optimoidun muotopohjaisen keskiarvon yhdistäminen johtaa tehokkaaseen viitekehykseen populaatiosidonnaisille kuvantamistutkimuksille eri modaalisuuden ja lajien välillä47-51. Saavutamme tämän yleisluonteisuuden tallentamalla väestökohtaiset ennakkotiedot mallitilaan aivojen uuttamisen tai muiden kvantifiointivaiheiden avuksi.

perinteisesti tätä lähestymistapaa on käytetty yksittäisissä modaliteeteissa, mutta viime aikoina sitä on laajennettu useiden modaliteettien osalta kohorttikohtaisilla malleilla, jotka kuvaavat T1: n, DTI: n ja toiminnallisten kuvien keskimääräisen muodon ja ulkonäön, kuten viitteissä 25, 32, 49 ja 52. Osa näistä malleista on julkaistu julkiseen käyttöön29, ja ne sisältävät väestökeskiarvoja, joissa on vaihtelua sekä iän että liikennemuodon suhteen. Vaikka nämä resurssit ovat arvokkaita, noudatamme filosofiaa rakentaa väestökohtainen malli PTBP ja sen modaliteetit siten, että hyödynnämme uusinta kuvanrekisteröintimenetelmää.

mallinrakennustoimenpiteemme muodostaa ensin keskimääräisen T1-aivokuvan koko populaatiosta (n=119). Sitten puramme mallin aivot perustuu multi-template labeling39, 53, tällä hetkellä state-of-the-art automatisoitu merkintä. Käyttämällä samanlaista menettelyä, luomme probabilistic kudos / rakenne priors jokaiselle 6 kudosten kiinnostaa: aivokuori, syvä harmaa aine, aivo-selkäydinneste, valkoinen aine ja pikkuaivot. Tiivistelmä mallin rakennusmenettelystä on saatavilla kahden esimerkkiaineiston kanssa osoitteessa https://github.com/ntustison/TemplateBuildingExample (tämä on pedagoginen käyttöesimerkki, ei arkistoitu aineisto tai julkaistu ohjelmisto). Samat menetelmät rakennettu malleja saatavilla ref. 29 jota käytimme lähtökohtana PTBP custom tissue ennen sukupolven. Kun keskimääräinen kuva ja priors on valmis (tiedosto PTBP.zip), yksi voi siirtää kaikki tiedot pienellä muodonmuutos rekisteröinti standardiin MNI space54 (tiedosto PTBP_MNI.zip).

yksittäisten aiheiden T1-kuvien Templaattipohjainen käsittely

Ants-pohjaisesta rakenneputkesta on saatavilla yleiskatsaus ref. 29. Kun otetaan huomioon viimeistelty T1-malli, pystymme segmentoimaan ja käsittelemään yksittäisiä T1-tietoja. Myöhemmin käsittelemme yksittäisiä modaliteetteja, kuten DTI, ASL ja BOLD. Lopuksi luomme geometriset muunnokset kumppanimodaliteeteista ytimeen T1 anatomiseen kuvaan sekä malliavaruuteen. Saavutamme tämän sen jälkeen, kun täydellinen monimodaalisuuden tietokokonaisuus on käsitelty alla kuvatulla tavalla. Yksittäisen monimuotoisen tietokokonaisuuden käsittelyvaiheet esitetään kokonaisuudessaan tässä http://jeffduda.github.io/NeuroBattery/ sekä esimerkkiaineisto ja malli, jota voidaan käyttää menettelyn uusittavuuden tarkistamiseen. Tämä toistuu populaation jokaiselle yksilölle. Tarjoamme nyt yleiskuvan käsittelyn vaiheet T1 ja sitten kunkin modaliteetti. Kuvassa 1 esitetään yhteenveto koko putkilinjasta.

T1 aivojen uuttaminen

aivojen uuttaminen muurahaisilla yhdistää template priorit, korkean suorituskyvyn aivokuvan rekisteröinti33 ja Atropos32 topologisiin tarkennuksiin, jotka perustuvat matemaattiseen morfologiaan, kuten on kuvattu ref. 29 ja pantu täytäntöön antsBrainExtraction.sh. esimerkki käyttötapauksesta on tässä https://github.com/ntustison/antsBrainExtractionExample (tämä on pedagoginen käyttöesimerkki, ei arkistoitu aineisto tai julkaistu ohjelmisto). Lyhyesti, tässä vaiheessa, käytämme karkea ja suhteellisen nopea rekisteröinti laskea loimi mallin koko pään kuva ja kohde. Tämä mahdollistaa sen, että poimimme todennäköisen aivo-uutteen sapluunasta subjektiavaruuteen. Warped template todennäköisyyskartta on thresholded 0,5 ja tuloksena maski on laajentunut säteellä 2. Atropoksen avulla saadaan alustava arvio 3-kudoksen segmentoitumisesta maskin alueella. Jokainen kolmesta kudosnaamiosta tehdään erityisiä morfologisia operaatioita, jotka sitten yhdistetään aivojen uuttonaamio käytettäväksi muun aivokuoren paksuuden työnkulun aikana. Vertailu käyttäen avointa aivodataa julkisesti saatavilla olevien aivojen louhinta-algoritmien kanssa, mukaan lukien AFNI: n 3dIntracranial55, FSL: n BET2 (ref. 56), Freesurferin mri_watershed57 ja BrainSuite58 osoittivat, että yhdistetty rekisteröinti/segmentointi approach47 toimii huipputasolla Brainsuiten (viritetty) ja Freesurferin rinnalla.

kuuden kudoksen segmentointi

segmentointimenettelymme hyödyntää kahta menetelmää, joita ohjaavat anatomiset prioriteetit ja jotka toimivat yhdessä aivojen jakamiseksi kuuteen anatomiseen / kudosluokkaan: aivo-selkäydinnestettä, aivokuoren harmaata ainetta, syväharmaata ainetta, valkoista ainetta, aivorunkoa ja pikkuaivoja. Nämä kudoksen priors ensin kartoitetaan subjekti tilaa suorittamalla suuri muodonmuutos syn rekisteröinti välillä template cerebrum ja yksittäisten subject cerebrum, kuten refs 37, 42, 59. Deformed template priors käytetään sitten ohjata odotus-maksimointi (EM) segmentointi (Atropos prior-based segmentation32) vuorottelevat inhomogeneity korjaus kautta N4 bias-kentän korjaus algorithm34. Nimi N4 johtuu siitä, että se on parannus klassiseen N3 algorithm60: een. Atropos viittaa kreikkalaisessa mytologiassa hahmoon, joka käytti ”kohtalon saksia”; segmentoinnin tapauksessa saksilla tarkoitetaan kuvan jakamista osiin. Segmentoinnin ja bias-korjauksen tärkeästä vuorovaikutuksesta johtuen suoritamme useita N4 ⇔ Atropos-iteraatioita. Jotta Atropos ja N4 voitaisiin integroida paremmin, käytämme puhdasta kudoksen todennäköisyyspainonaamiota, joka on luotu segmentointiprosessissa syntyneistä posteriorisista todennäköisyyksistä. Tämä menettely on kuvattu tarkemmin viitteissä 29 ja 32. Toistettavissa oleva esimerkki Ants-menetelmän segmentointitietokanta ja komentorivi antsAtroposN4.sh is täällä https://github.com/ntustison/antsAtroposN4Example (tämä on pedagoginen käyttöesimerkki, ei arkistoitu aineisto tai julkaistu ohjelmisto).

suora (eli KellySlater/KellyKapowski) aivokuoren paksuuden estimointi

Aivosegmentaatio mahdollistaa aivokuoren paksuuden laskemisen Diffeomorfisen rekisteröintiin perustuvan aivokuoren paksuuden (suora) algoritmin avulla. Suora otettiin käyttöön ref. 61 ja saatavilla muurahaisia ohjelman KellySlater. Sittemmin kellykapowski-ohjelmaan on tehty ja sisällytetty useita parannuksia, erityisesti määrittelemällä automatisoitu parametrisarja, joka perustuu laajaan kokeeseen ja vertailuun kirjallisuudessa saatavilla oleviin aivokuoren paksuusarvoihin. Tärkeää on, että olemme äskettäin osoittaneet, että nämä menetelmät päihittävät FreeSurfer-pakkaukset62, kun otetaan talteen tietoa aivokuoren paksuudesta, joka ennustaa sukupuolta ja ikää suuressa neuroimagien kokoelmassa koko eliniän 29. Yksi merkittävimmistä edistysaskeleista on, että uudempi toteutus on monisäikeinen, kirjoitettu tiukalla ITK-koodaustyylillä, ja se on saatettu julkisesti saataville muurahaisilla, joissa on ainutlaatuinen käyttöliittymäsuunnittelu, joka on kehitetty erityisesti ANTs-työkaluille. Esimerkkikäyttötapaus, jossa viite on kaksiulotteinen tieto, on https://github.com/ntustison/antsCorticalThicknessExample (tämä on pedagoginen käyttöesimerkki, ei arkistoitu aineisto tai julkaistu ohjelmisto). Viime kädessä suora algoritmi tuottaa kohteen T1 avaruudessa kuvan, joka sisältää aivokuoren paksuuden vokseliviisaita mittauksia, jotka soveltuvat käytettäviksi vokselipohjaisissa tai aluepohjaisissa tilastollisissa tutkimuksissa kuten viite 50, 63-65.

alueelliset aivomerkinnät AAL-merkinnöillä

T1-putkemme viimeinen vaihe sisältää yhteenvetomittaukset aivojen kokonaistilavuudesta, kuuden kudoksen segmentoinnista sekä alueellisesta ja lobaarisesta aivokuoren paksuudesta. Käytämme tähän tarkoitukseen laajalti käytettyä AAL labelset 66. Nämä tarrat muunnetaan korkean resoluution ryhmämalliavaruudesta yksilölliseksi subjektiavaruudeksi seuraamalla mallin diffeomorfisen kartoituksen käänteistä. AAL sisältää tavallisia alueellisia aivokuoren, pikkuaivojen ja syvän harmaan aineen rakenteita, kuten putamen, talamus, hippokampi ja caudate. Kunkin käsittelemämme aiheen osalta mittaamme nämä määrät ja alueellisen keskiarvon paksuuden tuottaen yhden rivin tietoja, jotka lopulta syötetään väestötietojen yhteenvetotiedostoon. Sitä käytetään kohorttimuuttujien tutkimisen lisäksi myös alustavien tietojen tarkistamiseen eli koehenkilöiden tunnistamiseen, joilla on maailmanlaajuisia tai alueellisia poikkeamia suhteessa tunnettuihin viitearvoihin.

DTI-käsittely

menettelymme DTI: n analysoimiseksi muurahaisilla validoitiin ref. 67. Lyhyesti sanottuna olemme kehittäneet automaattisen prosessointiputken diffuusiokuvaukseen avoimen lähdekoodin työkaluilla Camino68 ja ANTs, joka tarjoaa esikäsittelyn, aivojen uuttamisen, diffuusiotensorilaskennan ja normalisoinnin malliavaruuteen sekä diagnostisia kuvia aihetilassa laadunvalvonnan tueksi, mukaan lukien murto-anisotropia, keskimääräinen korjattu DWI ja kohinavarianssi. Menetelmän ydin on ensin käsitellä dataa DWI-avaruudessa ja sen jälkeen muuntaa data yksilölliseksi T1-tai ryhmämalliavaruudeksi.

DTI-käsittelyn ensimmäinen vaihe on diffuusiopainotettujen kuvien liike-ja särökorjaus. Diffuusiosekvenssin ensimmäistä painottamatonta kuvaa käytetään viitekuvana liike-ja vääristymäkorjauksessa. Loput painottamattomat kuvat on sovitettu kiinteästi vertailukuvaan ja laskettu keskiarvoksi; tätä keskimääräistä kuvaa käytetään vertailukuvana diffuusiopainotettujen kuvien (DWI) affiinikorjauksessa diffuusiopainotuksen kaltevuuksien aiheuttamien liikkeiden ja vääristymien osalta. Aivonaamio lasketaan kohdistamalla keskimääräinen DWI malliin, ja vääntämällä mallin aivonaamio kohdeavaruuteen. Sen jälkeen käsittely jatkuu aivoista otetulla kuvalla. Diffuusiotensorit lasketaan iteratiivisella painotetulla lineaarisella pienimmän neliösumman algoritmilla 69.

muunnetut DTI: t vääntyvät templaattiavaruuteen yhdistämällä subjektin sisäinen DWI-T1-loimi aiemmin määriteltyyn loimeen normalisoidakseen koehenkilön T1-kuvan templaattiavaruuteen. Diffuusiotensorien oikea anatominen suunta säilytetään soveltamalla pääsuuntamenetelmää 70, ja normalisoiduista diffuusiotensoreista lasketaan skalaaritilastot kuten FA ja keskihajoavuus.

haittamuuttujien estimointi funktionaalisissa kuvissa

useat vaiheet ovat yleisiä joko lihavoidun tai ASL-funktionaalisen magneettikuvauksen käsittelyssä. Näitä ovat muun muassa aivojen poisto, liikkeen korjaus ja haittamuuttujan estimointi. Viimeisen yhden tai kahden vuoden aikana otimme muurahaisiin käyttöön menetelmiä näiden parametrien arvioimiseksi 4D-aikasarjatiedoista. Liikkeen korjaus suoritetaan Antsmotioncorr-ohjelmalla muurahaisissa, jotka käyttävät keskinäistä tiedon samankaltaisuutta metristä ja epälineaarista konjugaattigradientin optimaattoria maksimoimaan Affiini tai jäykkä samankaltaisuus jokaisen kuvan välillä aikasarjassa ja sekvenssikohtaisessa referenssikuvassa. Nämä menetelmät perustuvat Insight ToolKit version 4 versioon, joka on kuvattu ref. 71. Kunkin ajankuvan liikeparametrit kirjoitetaan CSV-tiedostoon siten, että ne voidaan tiivistää ja mahdollisesti käyttää haittamuuttujina väestötason tilastossa72. Teemme eri valintoja viite kuva kunkin modaliteetti. LIHAVOITAVAKSI valitaan koko aikasarjan keskivertokuva. CASL ja pCASL, valitsemme keskimääräinen ohjaus merkitty kuva. PASL: ssä käytetään hankittua M0-kuvaa. Aivonaamio lasketaan joko yksinkertaisella morfologisella menettelyllä (morfologinen eroosio, jota seuraa suurin komponenttivalinta ja morfologinen dilataatio) tai kohdistamalla vertailuliikkeen korjauskuva sekvenssikohtaiseen malliin ja vääntämällä mallipohjainen aivonaamio subjektiavaruuteen. PTBP: n osalta käytimme jälkimmäistä lähestymistapaa.

toinen suuri, liikettä suurempi haitta on fysiologinen noise73–75. Vaikka jokaiseen tutkimukseen pitäisi valita optimaaliset haittaparametrit tietojen laadun perusteella, valitsemme datalähtöisen ja automaattisen CompCor-lähestymistavan 75, joka on validoitu ASL: llä ja lihavoitu eikä perustu anatomiseen segmentointiin. Lähestymistapa suorittaa yksikössä arvo hajoaminen suuri ajallinen varianssi voxels ja käyttää (tyypillisesti 3-6) yksikössä vektoreita haittojen regressors. Näiden salpaajien osoitettiin kuvaavan fysiologista liikettä, skannerin kohinaa ja muita tekijöitä, jotka eivät liity aivojen verenkiertoon tai lihavaan aktivaatioon. Sekä liikkeen korjaus että Kompcor-estimointi muurahaisilla on esitetty tässä https://github.com/stnava/fMRIANTs (tämä on pedagoginen käyttöesimerkki, ei arkistoitu aineisto tai julkaistu ohjelmisto).

aivoverenkierto (CBF) ASL: stä

parenkymaalinen perfuusio on tärkeä fysiologinen parametri aivosairauksien arvioinnissa ja hallinnassa76. ASL-perfuusio MK soveltuu myös erinomaisesti pediatristen potilaiden lääketutkimuksiin, sillä se mahdollistaa absoluuttisen CBF-kvantifioinnin, on täysin noninvasiivinen ja mahdollisesti herkkä hoitovasteelle 23. Sen sijaan neuroanatomisesti määritellyt mittaukset,kuten aivokuoren paksuus22,77, 78 ja FA, johtuvat suoraan kuvatun aivokudoksen relevantista fyysisestä ominaisuudesta, eivätkä ne välttämättä pysty kuvaamaan lyhyemmän aikavälin toiminnallisia vaikutuksia intervention tai koulutuksen vuoksi. PTBP vahvistaa ASL-MRI: n toteutettavuuden ikäryhmässä, jonka aikana aivot kehittyvät nopeasti ja jolloin saattaa ilmaantua varhaisia merkkejä tulevista neuropsykiatrisista häiriöistä. Tämä funktionaalinen kvantitatiivinen mitta (verrattuna lihavoinnin antamiin suhteellisiin arvoihin) voi paljastaa muutoksia aivoissa, jotka johtuvat vammasta79, kipu80,farmakologisesta interventio81, 82 tai jotka edeltävät näkyvää rakennemuutosta ja voivat viitata aivokuoren uudelleenorganisoitumiseen83. CBF on toistettavampi toiminnallinen mittaus kuin BOLD84, 85, voidaan käyttää verkkoanalyysissä bold86: n sijasta tai yhdessä sen kanssa ja tarjoaa ainutlaatuisen näkemyksen DTI: tä ja T1: tä täydentävistä aivoista.

kunkin koehenkilön M0-kuva, joka saatiin kontrollikuvien keskiarvona, vääntyi koehenkilön T1-kuvaan käyttäen antsIntermodalityIntrasubject.sh käsikirjoitus. Nämä muunnokset olivat concatenated subject-to-template muuntaa loimi template tarrat subject native ASL space. M0-kuva toimi vertailukohtana kaikkien aikapistevolyymien liikekorjaukselle. Edellä kuvattujen liike-ja haittasegressorien lisäksi sisällytimme joko kuvan tunnisteen tai säätöetiketin regressoriksi, jolloin kyseisen regressorin kerroin vastaa tunnisteen ja säätölaitteen keskimääräistä eroa. Kaikki regressorit sisältyivät CBF-laskennan vankkaan regressioohjelmaan87. CBF-laskennan yhtälö löytyy ref. 88, jonka oletettu merkintätehokkuus on 0,85. Täydelliset tiedot löytyvät avoimen lähdekoodin skriptistä osoitteesta https://raw.github.com/stnava/ANTs/master/Scripts/antsASLProcessing.sh (tämä on saatavilla osana Figshare repository, Data Citation 1). Veren T1-arvo sovitettiin iän ja sukupuolen mukaan T1=(2115, 6–21, 5*Ikä-73, 3*sukupuoli) ms, jossa naissukupuoli asetettiin 0: ksi ja mies 1: ksi, kuten ref: ssä ehdotettiin. 88.

verkkoanalyysi, jossa lepää lihavoitu fMRI

verkkoanalyysi voidaan tehdä millä tahansa kolmesta syöttöaikasarjatyypistä: standard lihavoitu, ASL-lihavoitu tai ASL-CBF. ASL-CBF-signaalilla voi olla etuja LIHAVOITUUN verrattuna erityisesti orbitofronaalisilla ja anteriorisilla temporaalisilla alueilla, joilla esiintyy vakio lihavoitu signaali 89, 90. Koska ASL-CBF-verkkoanalyysi on kuitenkin suhteellisen uusi ja meillä on muita menetelmiä ASL-CBF: n validoimiseksi, keskitymme verkkoanalyysiin PTBP: n resting BOLD-modaliteetin avulla. Tavoitteena on poimia standardiverkkomittauksia, joita voidaan arvioida vertailtavaksi väestötietoihin, jotta hankinnan ja käsittelyn pätevyys voidaan selvittää.

me perustamme graafin / verkon konstruktiomme tavallisiin AAL-kortikaalisiin merkkeihin, jotka muutamme T1-aiheavaruudesta LIHAVOITAVAKSI avaruudeksi. Haluamme tehdä analyysin rohkeassa tilassa minimoidaksemme interpolointiin ja resampling matalan resoluution kuvia, koska ne voivat bias tulokset aihe-riippuvainen tavalla. Jokainen lihavoitu Kuva on ensin residualisoitu suhteessa edellä kuvattuihin perustason haittaparametreihin, toisin sanoen liikeparametreihin ja Kompcor-yksikkövektoreihin. Jokaiselle kiinnostavalle AAL-merkinnälle (tässä vain aivokuori, merkit 1-90) lasketaan aluekeskiarvo aikasignaali. Jokainen aikasarja on sitten bandpass suodatetaan käyttäen Christiano-Fitzgerald filtering91, kuten toteutetaan R-funktio cffilter paketti mFilter, tutkia eri taajuuksia sopiva tietyn tietotyypin. Kaistanpäästön suodatukseen valitsemme taajuusalueen 0,01-0,1 Hz aikaisemman tutkimustyön92 ja alustavien analyysien perusteella muutamissa aiheissa verkon toistettavuudesta. Prosessointiputken verkkokomponentti on saatavilla ANTs/ANTsR script antsboldnetworkanalyysissä.R, joka olettaa, että aivojen merkinnät ja liikkeen parametrit ovat käytettävissä. Tämän kirjoituksen ensisijainen tuloste, jota käytetään tietojen tarkistamisessa, on N×N Pearsonin korrelaatiomatriisi, joka määritellään suodatettujen aikasignaalien korrelaationa kullekin N-merkitylle alueelle.