Ez a dokumentum és az összes ábra Az ábra kivételével. Az 1-et menet közben generálják a bemeneti fájl fordításával az R és LaTeX tolmácsokon keresztül a knitr csomag segítségével. Ez hozza létre a kimeneti pdf-et az összes statisztikai számadattal és mennyiségi demográfiai összefoglalóval együtt.

kohorsz kiválasztás

a mintát 2010 januárja és 2014 februárja között vették fel. A teljes kohorszválasztás arra törekedett, hogy megfeleljen az Egyesült Államokban a 7-18 éves gyermekek demográfiai eloszlásának, az amerikai népszámlálási adatok alapján, faji, etnikai, nemi és családi jövedelem szempontjából. Az adatokat egyetlen helyszínen, az UCLA Ahmanson-Lovelace Agytérképező központjában gyűjtötték a funkcionális MRI technológia laboratóriuma (LOFT). Jellemzően egészséges, fejlődő, 7 és 18 év közötti gyermekeket vontak be ebbe a vizsgálatba. A kizárási kritériumokat a gyermekek kiszűrésére tervezték: (1) korábban diagnosztizált egészségügyi állapotokkal (beleértve a fejlődési, neurológiai, pszichiátriai és tanulási rendellenességeket); (2) akik teljesítették a korábban nem diagnosztizált tanulási/pszichiátriai rendellenesség vagy neurológiai állapot kritériumait; (3) akik olyan környezeti feltételeknek voltak kitéve, amelyekről ismert vagy valószínű, hogy befolyásolják a normális fejlődést; (4) akik nem végezhetnek MRI-vizsgálatot; és 5) korlátozott angol nyelvtudással (mivel a vizsgálat részeként beadandó számos teszt nem volt elérhető az angol nyelvtől eltérő nyelveken). A kizáró kritériumok teljes listája az alábbiakban található:

• fejlődési& orvosi rendellenességek: ismert fejlődési rendellenesség (gyarapodás elmulasztása; PKU stb.).

• hallókészüléket igénylő halláskárosodás.

• látáskárosodás (strabismus, a látássérülés nem korrigálható normál szemüveggel).

• cukorbetegség (I. típusú, inzulinnal kezelt).

• szisztémás reumatológiai betegség (például glomerulonephritis, endocarditis).

• kemo -& központi idegrendszeri sugárterápia veleszületett szívhiba.

• neurológiai rendellenességek, görcsrohamok.

• központi idegrendszeri fertőzés (például meningitis).

• agydaganat.

• zárt fejsérülés története eszméletvesztéssel > 5 perc.

• izomdisztrófia vagy Myotonikus disztrófia.

• viselkedési, pszichiátriai, & tanulási zavarok: skizofrénia, autizmus spektrum zavar, bipoláris zavarok, visszatérő súlyos depresszió, figyelemhiányos hiperaktivitási rendellenesség (ADHD), magatartási rendellenesség, Tourette-rendellenesség, obszesszív Complusive rendellenesség (OCD), kábítószer-függőség.

• gyermek viselkedési ellenőrzőlista (CBCL) alskála pontszám <70.

• IQ értékelés < 80.

• teljesítmény pontszám>2 s.D. kor alatti normák.

• jelenlegi / múltbeli nyelvi rendellenesség (diszlexia, dadogás).

• speciális oktatási elhelyezés.

• MRI ellenjavallatok: fém implantátumok (zárójelek, csapok) vagy fémdarabok, Pacemaker vagy elektronikus orvosi implantátumok, klausztrofóbia, terhesség.

• korlátozott angol nyelvtudás.

írásbeli tájékozott beleegyezés a vizsgálatban való részvételhez és az adatok nyilvános közzétételéhez minden alanytól és szüleiktől megkapták az intézményi felülvizsgálati testület (IRB) a Kaliforniai Egyetem Los Angeles-i (UCLA) irányelvei az IQ értékelés és az MR vizsgálatok előtt.

a viselkedés és a környezet értékelése

pszichometriai értékelés

a Wechsler rövidített intelligencia skála (WASI)30,31-et adtuk be minden alanynak, ami az IQ három egymást kiegészítő mérését eredményezte: a verbális IQ (szókincs, hasonlóságok), a teljesítmény IQ (mátrix érvelés, blokk Design) és a teljes skála IQ. A teljes IQ és a verbális IQ közötti korreláció 0,89, a teljes IQ és a teljesítmény IQ között 0,86, a teljesítmény IQ és a verbális IQ között pedig 0,54.

A társadalmi-gazdasági státusz és a szülői háttér értékelése

a családi jövedelmet az USD-ben meghatározott saját bevallás szerinti tartományon belül számszerűsítették. Az alapvető kohorszdemográfia megoszlását az ábra mutatja. 2. Az apai és anyai iskolai végzettséget az oktatás évei határozták meg, ebben a kohorszban legalább nyolc év, több tantárgy pedig 20 évnyi oktatásban részesült. Ezeket később mindkét szülő oktatásának éveire fordították, ha rendelkezésre állnak. Az alanyok önjelentési létra pontszámokat is szolgáltattak mind a közösség, mind a SES skálán. A közösségi skála azonosítja az alany észlelt társadalmi helyzetét a helyi közösségen belül. A létra-SES azonosítja az alany vélt vagyonát a társadalom egészéhez viszonyítva. Mindkét alskála 1-6 tartományban van, ahol az értékek megfelelnek a létra fokainak.

Képszerzési módszerek

az összes MRI-adatot Siemens 3 T TIM Trio szkennerrel szereztük be a termék 12 csatornás fejtekercsével.

T1-súlyozott akvizíció

Mágnesezéssel készített gyors akvizíciós gradiens Echo (MPRAGE) képeket 3D inverziós helyreállítási szekvenciával szereztünk TR/TE/TI=2,170/4.33/1,100 ms. a felbontás 1 6-1 mm3, a mátrix mérete 256-256-192. A flip szög=7 db, a teljes letapogatási idő pedig 8:08 perc volt.

agyi véráramlás

pszeudo folyamatos artériás spin jelölt (pCASL) képeket gradiens-echo echo-planáris képalkotással (EPI) szereztünk TR/TE=4000 / 12 ms. a felbontás 3,125 6,125 6 mm (5 mm 1 mm-es réssel) egy 64 64 64 24-es mátrixon. 40 címke / kontroll pár került beszerzésre. Általánosított autokalibráló részlegesen párhuzamos akvizíciót (GRAPPA) használtunk 2-es gyorsulási tényezővel. A címkézés időtartama 1,5 másodperc, a címkézés utáni késleltetés pedig 1,2 másodperc volt. a teljes képalkotási idő 5:30 perc volt.

diffúziós tenzor megszerzése

a diffúzióval súlyozott képeket egylövéses többszeletesekkel szereztük spin-echo EPI alkalmazásával TR/TE=9500/87 ms. egyetlen B=0 térfogatot szereztünk diffúzióval súlyozott képek mentén 30 irányban, b-érték=1000. A felbontás 2-2-2 mm, a mátrix mérete 128-128-75 Voxel. A flip szög=90++.

félkövér felvétel

a vér oxigénszint-függő (félkövér) képeit nyugalmi állapotban 2D EPI-vel készítettük, TR/TE=2000/27 ms-mal. a felbontás 4 ~ 4 ~ 4 mm egy 64 ~ 64 ~ 25 mátrixon, és legfeljebb 244 időpontot kaptunk. A flip szög=80++. Az alanyoknak csendesen kellett pihenniük, miközben egy rögzítési pontot néztek.

képfeldolgozási módszerek

fejlett normalizálási eszközöket alkalmazunk az R (ANTsR)http://stnava.github.io/ANTsR/ segítségével annak érdekében, hogy ellenőrizzük, rendszerezzük és összeállítsuk a PTBP-ben elérhető mérési tartományt összefoglaló többszörös modalitási adatbázis fájlt. Minden szkript és forráskód elérhető az ANTsR-ben és annak függőségeiben.

az ANTsR (answer) egy nyílt tudományú elemzési keretrendszer, amely lehetővé teszi a prediktív orvosbiológiai vizsgálatokat, amelyek integrálják a képalkotási módokat más adatokkal. Az ANTsR a statisztikai igényeket az R-vel, a statisztikai számítási nyelvvel oldja meg, miközben az ANTs magot használja a képek regisztrálásához, szegmentálásához és sablonkészítéséhez32–36. Ez a keretrendszer egyedülállóan általános célú, mivel nem tesz feltételezéseket a képtartalomról vagy a szervrendszerekről, amelyekre alkalmazzák, és megfelelő az N-dimenziós adatokhoz (2-D, 3-D, 4-D). Ennek az általánosságnak a bizonyítékaként az ANTsR tools két független regisztrációs versenyt nyert, egyet az agy MRI37-ben, egyet pedig a tüdő CT38-ban. Ezenkívül az ANTsR fontos szerepet játszik az automatizált anatómiai címkézéshez jelenleg rendelkezésre álló egyik vezető közös címkefúziós (multi-atlas szegmentációs) módszerben39, és nemrégiben nyílt versenyeket nyert szegmentálás/előrejelzés, BRATS 2013 a MICCAI 2013-on (ref. 40) és a SATA kihívások a MICCAI 2012 – ben és a MICCAI 2013-ban, amelyek közül az utóbbi többféle módszert alkalmazott a fajok és szervrendszerek között. Ugyanakkor a keret testreszabható, így felhasználható konkrét elemzési problémák megoldására előzetes ismeretek beépítésével. Az alábbiakban leírjuk, hogyan alkalmazzuk az ANTsR-t: (1) adjon meg egy többcsatornás populációs sablont, amely reprezentálja a PTBP-ben rendelkezésre álló módozatokat; (2) ellenőrizze az adatminőséget és a feldolgozási döntések érvényességét az egyes módozatokban; (3) számoljon ki olyan összefoglaló méréseket, amelyek lehetővé teszik a biostatisztikusok és más kutatók számára a PTBP-adatokhoz való könnyű hozzáférést a nagyméretű képfeldolgozás terhe nélkül. A következő részben bemutatjuk azokat a kulcsfontosságú összefoglaló intézkedéseket, amelyek mind a beszerzés, mind az utófeldolgozás érvényességét támogatják. Az eredmények eléréséhez használt összes szoftver nyilvánosan elérhető, jelentős erőfeszítésekkel mind a magas szintű felhasználási esetek, mind az egyes eszközök dokumentálására. Mind az adatok, mind az utófeldolgozási folyamok felszabadítása együttesen nyílt tudományos megközelítést jelent, amelyet egyre inkább kritikusnak tartanak a tudomány fejlődéséhez41-43.

többszörös modalitású populációs sablon

a képek Standard koordinátarendszerre történő normalizálása csökkenti az alanyok közötti variabilitást a populációs vizsgálatokban, lehetővé teszi a koordináták összehasonlítását a vizsgálatok között, és lehetővé teszi az előzetes alapú szegmentálási/címkézési technikák alkalmazását. Ez utóbbiak fontosak a szövetek szegmentálásához, az agy kivonásához, a kortikális parcellázáshoz, valamint a funkcionális vagy strukturális kapcsolódási vizsgálatokhoz. Különböző megközelítések léteznek a normalizált tér meghatározására, például egy már létező sablon kiválasztása egyetlen tárgy alapján, például a Talairach atlas44, vagy egy nyilvánosan elérhető átlagolt alanycsoport, például az MNI45 vagy az ICBM46 sablonok. A szimmetrikus groupwise normalizációs módszert (SyGN) alkalmazzuk ref. 47. amely kifejezetten modellezi a normalizált tér geometriai összetevőjét az optimalizálás során, hogy olyan agyi képeket készítsen, amelyek mind az anatómia alakja, mind az anatómia megjelenése szempontjából reprezentálják a vizsgált populációt. A SyN páros regisztrálás belső szimmetriájának összekapcsolása33 és a SyGN optimalizált alakalapú átlagolása a sablon megjelenésében hatékony keretrendszerhez vezet a populáció-specifikus képalkotó vizsgálatokhoz a modalitás és a fajok között47–51. Ezt az alkalmazás általánosságát úgy érjük el, hogy populáció-specifikus előzetes információkat tárolunk a sablontérben, hogy elősegítsük az agy kivonását vagy más számszerűsítési lépéseket.

hagyományosan ezt a megközelítést alkalmazták az egyes modalitásokra, de újabban több modalitásra is kiterjesztették kohorsz – specifikus sablonokon keresztül, amelyek rögzítik a T1, DTI és funkcionális képek átlagos alakját és megjelenését, mint A refs 25, 32, 49, 52. Ezen sablonok közül néhányat nyilvános használatra bocsátottak ki29, és tartalmazzák a népesség átlagát, mind az életkor, mind a modalitás tekintetében. Bár ezek az erőforrások értékesek, követjük a ptbp populációspecifikus sablonjának felépítésének filozófiáját és annak módozatait, hogy kihasználjuk a legújabb képregisztrációs módszertan előnyeit.

sablonépítési eljárásunk először egy átlagos T1 agyképet készít a teljes populációból (n=119). Ezután kivonjuk a sablon agyát a multi-template labeling39,53 alapján, amely jelenleg az automatizált címkézés legkorszerűbb. Hasonló eljárás alkalmazásával valószínűségi szövet / szerkezet priorokat generálunk mind a 6 érdekes szövethez: kéreg, mély szürkeállomány, agy-gerincvelői folyadék, fehérállomány és a kisagy. A sablonépítési eljárás összefoglalása két példadatkészlettel elérhető a https://github.com/ntustison/TemplateBuildingExample címen (ez egy pedagógiai használati példa, nem archivált adatkészlet vagy közzétett szoftver). Ugyanezek a módszerek építették a ref. 29 amelyet kiindulási pontként használtunk a PTBP egyedi szövetének előző generációjához. Miután az átlagos kép és a priors befejeződött (fájl PTBP.zip), lehet átvinni az összes adatot egy kis deformáció regisztráció a standard MNI space54 (fájl PTBP_MNI.zip).

sablon alapú feldolgozása az egyes tárgy T1 képek

áttekintést az ANTs-alapú szerkezeti csővezeték elérhető ref. 29. Egy véglegesített T1 sablon alapján képesek vagyunk az egyes T1 adatok szegmentálására és feldolgozására. Ezt követően feldolgozzuk az egyes módozatokat, beleértve a DTI – t, az ASL-t és a BOLD-t. Végül létrehozzuk a geometriai transzformációkat a társmódszerektől a magig T1 anatómiai kép, valamint a Sablon tér. Ezt a teljes többszörös modalitási adatkészlet feldolgozása után érjük el, az alábbiakban leírtak szerint. Összességében az egyedi többszörös modalitású adatkészlet feldolgozásának lépéseit itt részletezzük http://jeffduda.github.io/NeuroBattery/, valamint egy példa adatkészletet és sablont, amely felhasználható az eljárás reprodukálhatóságának ellenőrzésére. Ez megismétlődik minden egyes populációban. Most áttekintést nyújtunk a T1, majd az egyes modalitások feldolgozási lépéseiről. Az 1. ábra összefoglalja a teljes csővezetéket.

T1 brain extraction

Brain extraction segítségével hangyák egyesíti sablon priors, nagy teljesítményű brain image registration33, és Atropos32 topológiai finomítások alapján matematikai morfológia, leírtak ref. 29. és megvalósított antsBrainExtraction.sh. egy példa használati eset itt https://github.com/ntustison/antsBrainExtractionExample (ez egy pedagógiai használati példa, nem archivált adatkészlet vagy közzétett szoftver). Röviden, ebben a szakaszban egy durva és viszonylag gyors regisztrációt használunk a sablon egész fejű képe és az érdeklődő tárgy közötti lánc kiszámításához. Ez lehetővé teszi számunkra, hogy egy valószínűségi agykivonást a sablonból a tárgytérbe tereljünk. Az elvetemült sablon valószínűségi térképe 0,5-nél küszöb, a kapott maszk pedig 2-es sugárral kitágul. Az Atropos-t ezután egy kezdeti 3 szöveti szegmentációs becslés előállítására használják a maszk régióban. A három szövetmaszk mindegyike specifikus morfológiai műveleteken megy keresztül, amelyeket ezután kombinálnak, hogy létrehozzanak egy agyi extrakciós maszkot a kérgi vastagság munkafolyamatának többi részében történő felhasználásra. Összehasonlítás nyílt hozzáférésű agyi adatok felhasználásával nyilvánosan elérhető agykivonási algoritmusokkal, beleértve az AFNI 3dIntracranial55, az FSL BET2 (ref. 56), A Freesurfer mri_watershed57 és a BrainSuite58 bebizonyította, hogy kombinált regisztrációs / szegmentációs megközelítésünk47 a legmagasabb szinten teljesít a BrainSuite (tuned) és a FreeSurfer mellett.

hat Szövet szegmentáció

szegmentációs eljárásunk két olyan módszert alkalmaz, amelyeket anatómiai priorok vezérelnek, és amelyek összehangoltan működnek az agy hat anatómiai/szöveti osztályba sorolására: agy-gerincvelői folyadék, agykérgi szürkeállomány, mély szürkeállomány, fehérállomány, agytörzs és kisagy. Ezeket a szöveti priorokat először az alany térébe térképezik fel egy nagy deformációs szin regisztrációval a sablon agy és az egyéni alany agya között, mint A refs 37, 42, 59. Ezután a deformált sablon priorokat használják a várakozás-Maximalizálás (EM) szegmentálásának irányítására (Atropos prior-based szegmentation32) váltakozva inhomogenitás korrekció az N4 bias field correction algoritmuson34 keresztül. Az N4 név abból a tényből származik, hogy a klasszikus N3 algoritmus60 továbbfejlesztése. Atropos a görög mitológia egyik alakjára utal, aki a sors ollóit forgatta; szegmentálás esetén az ollók a kép részekre osztására utalnak. A szegmentálás és a torzításkorrekció közötti fontos kölcsönhatásnak köszönhetően több N4-es sorvadásos iterációt hajtunk végre. Az Atropos és az N4 jobb integrálása érdekében tiszta szöveti valószínűségi súlymaszkot használunk, amely a szegmentációs folyamat során keletkező hátsó valószínűségekből származik. Ezt az eljárást részletesebben A refs 29 és 32 ismerteti. Reprodukálható példa szegmentációs adatkészlet és parancssor az ANTs módszerhez antsAtroposN4.sh is herehttps://github.com/ntustison/antsAtroposN4Example (ez egy pedagógiai használati példa, nem archivált adatkészlet vagy közzétett szoftver).

közvetlen (más néven KellySlater/KellyKapowski) kérgi vastagság becslés

az agy szegmentálása lehetővé teszi számunkra, hogy kiszámítsuk a kérgi vastagságot a Diffeomorf regisztrációs alapú kérgi Vastagság (közvetlen) algoritmus. DiReCT vezették be ref. 61 és elérhetővé tette a hangyák a Program KellySlater. Azóta számos fejlesztés történt és beépült a programba KellyKapowski, különös tekintettel egy automatizált paraméterkészlet meghatározására, amely kiterjedt kísérletezésen és összehasonlításon alapul a szakirodalomban rendelkezésre álló referencia kérgi vastagsági értékekkel. Fontos, hogy nemrégiben megmutattuk, hogy ezek a módszerek felülmúlják a FreeSurfer csomagot62 az agykérgi vastagságból származó információk kinyerése szempontjából, amelyek előrejelzik a nemet és az életkort egy nagy neuroimages gyűjteményben az egész élettartamban29. A legjelentősebb fejlesztések között szerepel, hogy a legújabb megvalósítás többszálú, szigorú ITK kódolási stílusban íródott, és az ANTs-en keresztül nyilvánosan elérhetővé vált, egy egyedi felhasználói felülettel kiegészítve, amelyet kifejezetten az ANTs eszközök számára fejlesztettek ki. Egy példa használati eset referencia kétdimenziós adatok https://github.com/ntustison/antsCorticalThicknessExample (ez egy pedagógiai használati példa, nem archivált adatkészlet vagy közzétett szoftver). Végül a közvetlen algoritmus olyan képet állít elő a T1 tárgytérben, amely Voxel-bölcs kortikális vastagságméréseket tartalmaz, amelyek alkalmasak voxel-alapú vagy régióalapú statisztikai vizsgálatokban történő felhasználásra, mint A refs 50, 63-65.

regionális agyi címkézés Aal címkékkel

a T1 csővezeték utolsó lépése az agy teljes térfogatának, a hat Szövet szegmentációjának, valamint a regionális és lobar kortikális vastagságnak az összefoglaló mérését foglalja magában. Erre a célra a széles körben használt AAL címkéket alkalmazzuk66. Ezeket a címkéket nagy felbontású csoportsablontérünkből átalakítjuk az egyéni tárgytérbe a sablon inverzének követésével diffeomorf leképezés. Az AAL a kéreg, a kisagy és a mély szürkeállomány struktúráinak standard regionális parcelláit tartalmazza, beleértve a putamen, a thalamus, a hippocampi és a caudate struktúrákat. Minden általunk feldolgozott tárgy esetében mérjük ezeket a köteteket és a regionális átlagos vastagságot, és egyetlen sor információt állítunk elő, amely végül egy összefoglaló demográfiai fájlba kerül. Ezt nemcsak a kohorsz változók vizsgálatainak elvégzésére használják, hanem a kezdeti adatok ellenőrzésére is, vagyis a globális vagy regionális kiugró értékekkel rendelkező alanyok azonosítására az ismert referenciaértékek tekintetében.

DTI feldolgozás

a DTI hangyákkal történő elemzésének eljárását ref. 67. Röviden, kifejlesztettünk egy automatizált feldolgozási csővezetéket a diffúziós képalkotáshoz a camino68 és az ANTs nyílt forráskódú eszközök segítségével, amely előfeldolgozást, agykivonást, diffúziós tenzor számítást és normalizálást biztosít a sablontérbe, valamint diagnosztikai képeket a tárgytérben a minőségellenőrzés elősegítése érdekében, beleértve a frakcionált anizotrópiát, az átlagos korrigált DWI-t és a zaj varianciáját. A módszer lényege, hogy először az adatokat DWI térben dolgozza fel, majd ezt követően az adatokat egyedi T1 vagy csoportos sablontérré alakítja.

a DTI feldolgozás első lépése a diffúzióval súlyozott képek mozgás-és torzításkorrekciója. A diffúziós szekvencia első súlyozatlan képe referenciakép a mozgás-és torzításkorrekcióhoz. A fennmaradó súlyozatlan képeket mereven igazítják a referenciaképhez és átlagolják; ezt az átlagos képet használják referenciaképként a diffúzióval súlyozott képek (DWI) Affin korrekciójához a diffúziós súlyozási gradiensek által okozott mozgás és torzítás esetén. Az agymaszkot úgy számítják ki, hogy az átlagos DWI-t egy sablonhoz igazítják, és a sablon agymaszkot a tárgytérbe vetemedik. A feldolgozás ezután folytatódik az agyból kivont képen. A diffúziós tenzorok kiszámítása egy iteratív súlyozott lineáris legkisebb négyzetek algoritmus69.

a transzformált DTI-ket a sablontérbe vetemedik úgy, hogy az alanyon belüli DWI-T t1 warp-ra kombinálják a korábban definiált warp-tal, hogy normalizálják az alany T1 képét a sablontérbe. A diffúziós tenzorok helyes anatómiai orientációját a principal direction method 70 alkalmazásával megőrizzük, és a normalizált diffúziós tenzorokból olyan skaláris statisztikákat számítunk ki, mint az FA és az átlagos diffúzió.

A funkcionális képek kellemetlen változóinak becslése

a BOLD vagy az ASL funkcionális MRI feldolgozásában számos lépés közös. Ezek közé tartozik az agy kitermelése, mozgáskorrekció és kellemetlen változó becslés. Az elmúlt egy-két évben módszereket vezettünk be a Hangyákba ezeknek a paramétereknek a 4D idősoros adatokból történő becslésére. A mozgáskorrekciót az antsMotionCorr program végzi az ANTs-ben, amely kölcsönös információ-hasonlósági mutatót és nemlineáris konjugált gradiens-optimalizálót használ, hogy maximalizálja az idősor minden egyes képe és a szekvencia-specifikus referenciakép közötti Affin vagy merev hasonlóságot. Ezek a módszerek az Insight ToolKit 4-es verzióján alapulnak, a ref. 71. Az egyes időkeretek mozgásparaméterei ki vannak írva egy CSV-fájlba, így összefoglalhatók és esetleg kellemetlen változókként használhatók a populációs szintű statisztikákban72. Azt, hogy a különböző választási referencia kép minden modalitás. Félkövér, az átlagos képet választjuk a teljes idősorból. CASL és pCASL esetén az átlagos kontroll feliratú képet választjuk. A PASL esetében a megszerzett M0 képet használjuk. Az agymaszk kiszámítása egyszerű morfológiai eljárással történik (morfológiai erózió, amelyet a legnagyobb komponens kiválasztása és morfológiai dilatáció követ), vagy úgy, hogy a referencia mozgáskorrekciós képet egy szekvencia-specifikus sablonhoz igazítja, és a sablon agymaszkot a tárgytérbe vetemedik. A PTBP esetében ez utóbbi megközelítést alkalmaztuk.

a második nagy kellemetlenség, a mozgáson túl, fiziológiai zaj73–75. Míg az egyes vizsgálatokhoz optimális kellemetlenségi paramétereket kell kiválasztani az adatminőség alapján, úgy döntünk, hogy az adatvezérelt és automatikus CompCor megközelítést használjuk75, amelyet ASL-ben és BOLD-ban validáltak, és nem támaszkodik anatómiai szegmentációra. A megközelítés egyedülálló értékbontást hajt végre nagy időbeli varianciájú voxeleken, és (jellemzően 3-6) szinguláris vektorokat használ kellemetlen regresszorként. Kimutatták, hogy ezek a regresszorok rögzítik a fiziológiai mozgást, a szkenner zaját és más tényezőket, amelyek nem kapcsolódnak az agyi véráramláshoz vagy a BOLD aktiválódáshoz. Mind a mozgáskorrekció, mind a Compcor becslés az hangyákkal itt látható https://github.com/stnava/fMRIANTs (ez egy pedagógiai használati példa, nem archivált adatkészlet vagy közzétett szoftver).

agyi véráramlás (CBF) az ASL-ből

a parenchymás perfúzió fontos fiziológiai paraméter az agyi rendellenességek értékelésében és kezelésében, valamint az idegi aktivitás helyettesítő indexe76. Az ASL perfúziós MRI ideális a gyermekpopulációkban végzett gyógyszerészeti vizsgálatokhoz is, mivel lehetővé teszi az abszolút CBF számszerűsítését, teljesen noninvazív és potenciálisan érzékeny a kezelésre reagálásra23. Ezzel szemben a neuroanatomikusan meghatározott mérések,mint például a kérgi vastagság22,77, 78 és FA közvetlenül a leképezett agyszövet releváns fizikai tulajdonságából származnak, és előfordulhat, hogy a beavatkozás vagy a képzés miatt nem sikerül rövidebb távú funkcionális hatásokat rögzíteni. A PTBP megállapítja az ASL-MRI megvalósíthatóságát egy olyan korosztályban, amelyben az agy gyorsan fejlődik, és amikor a jövőbeli neuropszichiátriai rendellenességek korai jelei jelentkezhetnek. Ez a funkcionális kvantitatív intézkedés (szemben a BOLD által megadott relatív értékekkel) potenciálisan felfedheti az agyban bekövetkező változásokat sérülés miatt79, fájdalom80, farmakológiai beavatkozás81,82 vagy amelyek megelőzik a látható szerkezeti változásokat, és kérgi reorganizációt jelezhetnek83. A CBF egy megismételhetőbb funkcionális mérés, mint a BOLD84,85, használható a hálózati elemzésben a BOLD86 helyett vagy kombinációban, és egyedülálló képet nyújt az agyról, amely kiegészíti a DTI-t és a T1-et.

Az egyes alanyok M0 képét, amelyet a vezérlő képek átlagaként kaptunk, az alany T1 képéhez vetemedtünk a antsIntermodalityIntrasubject.sh forgatókönyv. Ezeket az átalakításokat összefűzték a tárgy-sablon átalakításokkal, hogy a sabloncímkéket a tárgy natív ASL terébe vetemedjék. Az M0 kép referenciaként szolgált az összes időpont-kötet mozgáskorrekciójához. A fent leírt mozgás-és kellemetlen regresszorokon kívül regresszorként a kép címkéjét vagy vezérlőcímkéjét is bevontuk, amelynek együtthatója megfelel a tag és a control közötti átlagos különbségnek. Az összes regresszor egy robusztus regressziós sémába került a CBF számításhoz87. A CBF számítás egyenlete megtalálható a ref. 88 feltételezett címkézési hatékonysággal 0,85. A teljes részletek a nyílt forráskódú szkriptben találhatók https://raw.github.com/stnava/ANTs/master/Scripts/antsASLProcessing.sh (ez a Figshare repository részeként érhető el, Data Citation 1). A vér T1 értékét az életkorhoz és a nemhez igazították, T1=(2115,6-21,5*életkor-73,3 * nem) ms-ként, ahol a női nemet 0-ra, a férfit pedig 1-re állították, a ref. 88.

hálózati elemzés nyugvó félkövér fMRI-vel

a hálózati elemzés elvégezhető a bemeneti idősor-adatok három típusának bármelyikével: standard félkövér, ASL-félkövér vagy ASL-CBF. Az ASL-CBF jelnek előnyei lehetnek a BOLD-vel szemben, különösen az orbitofronal és az anterior temporal régiókban, ahol a standard BOLD jel lemorzsolódik89, 90. Mivel azonban az ASL-CBF hálózati elemzés viszonylag új, és más módszerekkel is rendelkezünk az ASL-CBF validálására, a ptbp nyugalmi félkövér modalitását használó hálózati elemzésre összpontosítunk. A cél a szabványos hálózati mérések kinyerése, amelyek értékelhetők a demográfiai adatokkal való összehasonlítás érdekében, hogy segítsék az akvizíció és a feldolgozás érvényességét.

a gráf / hálózat felépítését a standard Aal kérgi címkékre alapozzuk, amelyeket a T1 tárgytérből félkövér térré alakítunk át. Az elemzést inkább félkövér térben végezzük, hogy minimalizáljuk az alacsony felbontású képek interpolációjával és újramintavételével kapcsolatos zavarokat, mivel ezek tárgyfüggő módon torzíthatják az eredményeket. Minden félkövér képet először a fent leírt kiindulási zavaró paraméterekhez, azaz a mozgásparaméterekhez és a compcor singular vektorokhoz viszonyítva visszamaradnak. Minden érdekes Aal-címkére (itt csak a kéreg, az 1-90-es címkék) kiszámítják a régió átlagolt időjelét. Ezután minden idősort sávszűréssel szűrünk a Christiano-Fitzgerald filtering91 segítségével, amelyet az R függvény cffilter a csomagban mfilter, hogy megvizsgálja az adott adattípusnak megfelelő frekvenciatartományt. A sáváteresztő szűréshez a 0,01–0,1 Hz frekvenciatartományt választjuk ki az előzetes munkák92, valamint a hálózat reprodukálhatóságának előzetes elemzései alapján, néhány témában. A feldolgozási folyamat hálózati összetevője elérhető az ANTs / ANTsR szkriptben antsBOLDNetworkAnalysis.R, amely feltételezi, hogy az agyi címkék és a mozgás paraméterei rendelkezésre állnak. Ennek az adatellenőrzésben használt szkriptnek az elsődleges kimenete, lent, A N N Pearson korrelációs mátrix, amelyet az egyes n jelölt régiók szűrt időjelei közötti korreláció határoz meg.