dette dokumentet og alle tall lagre Fig. 1 genereres på fluen ved å kompilere inngangsfilen via R-og LaTeX-tolkene ved hjelp av knitr-pakken. Dette gir utdata pdf sammen med alle statistiske tall og kvantitative demografiske sammendrag.

Kohortvalg

utvalget ble rekruttert mellom januar 2010 og februar 2014. Samlet kohort utvalg søkt å matche den demografiske fordelingen av barn i alderen 7 til 18 år i Usa, basert PÅ Us Census data, i form av rase, etnisitet, kjønn og familieinntekt. Data ble samlet på Et enkelt sted, Ahmanson-Lovelace Brain Mapping Center VED UCLA, Ved Laboratoriet For Funksjonell MR-Teknologi (LOFT). Vanligvis friske utviklende barn mellom 7 og 18 år ble inkludert i denne studien. Eksklusjonskriterier ble utformet for å skille ut barn: (1) med tidligere diagnostiserte medisinske tilstander (inkludert utviklings -, nevrologiske, psykiatriske og læringsforstyrrelser); (2) som oppfylte kriteriene for en lærings – / psykiatrisk lidelse eller nevrologisk tilstand som ikke tidligere var diagnostisert; (3) som hadde vært utsatt for miljøforhold kjent, eller sannsynlig, for å påvirke normal utvikling; (4) som ikke kan gjennomgå EN MR-skanning; og 5) med begrenset engelskkunnskaper(da flere tester som skulle administreres som en del av denne studien ikke var tilgjengelige på andre språk enn engelsk). Den komplette listen over ekskluderende kriterier er under:

• Utviklingsmessige & Medisinske Lidelser: Kjent utviklingsforstyrrelse (Manglende evne til å trives; PKU etc.).

• hørselshemmede som krever høreapparat.

• Synshemming (strabismus, visuelt handikap kan ikke korrigeres med vanlige briller).

• Diabetes (type I, behandlet med insulin).

• Systemisk reumatologisk sykdom (for eksempel glomerulonephritis, endokarditt).

• Systemisk malignitet som krever kjemo – & CNS radioterapi Medfødt hjertefeil.

• Nevrologiske Lidelser, Anfallsforstyrrelse.

• cns-infeksjon (for eksempel meningitt).

• hjernesvulst.

• Historie med lukket hodeskade med bevissthetstap> 5 min.

• Muskeldystrofi eller Myotonisk dystrofi.

• Atferdsforstyrrelser, Psykiatriske, & Læringsforstyrrelser: Schizofreni, Autismespektrumforstyrrelse, Bipolare Lidelser, Tilbakevendende Alvorlig Depresjon, Oppmerksomhetsunderskudd Hyperaktivitetsforstyrrelse (ADHD), Atferdsforstyrrelse, Tourette-Lidelse, Obsessiv Complusive Lidelse (OCD), Narkotikaavhengighet.

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

• IQ-vurdering<80.

• Prestasjonspoeng >2 s. d.under aldersnormer.

• Nåværende / tidligere språkforstyrrelse(dysleksi, stamming).

• spesialundervisning plassering.MR Kontraindikasjoner: Metallimplantater (braces, pins) eller metallfragmenter, Pacemaker eller elektroniske medisinske implantater, klaustrofobi, graviditet.

• Begrenset engelskkunnskaper.

Skriftlig informert samtykke til å delta i studien og offentlig utgivelse av dataene ble hentet fra hvert fag og deres foreldre i henhold til Institutional Review Board (IRB) Av University Of California Los Angeles (UCLA) retningslinjer før IQ-vurdering og MR-skanning.

Vurdering av atferd og miljø

Psykometrisk evaluering

Wechsler Abbreviated Scale Of Intelligence (WASI)30,31 ble administrert til hvert fag som resulterte i tre komplementære målinger AV IQ: Den Verbale IQ (Ordforråd, Lignelser), Ytelsen IQ (Matrise Resonnement, Blokk Design) OG Full Skala IQ. Korrelasjoner mellom fullskala IQ og verbal IQ er 0,89, mellom fullskala IQ og ytelse IQ er 0,86 og mellom ytelse IQ og verbal IQ er 0,54.

Vurdering av sosioøkonomisk status og foreldrenes bakgrunn

familieinntekt ble kvantifisert innenfor et selvrapportert område definert i USD. Fordelingen av grunnleggende kohort demografi er vist I Fig. 2. Faderlig og mors utdanningsnivå ble bestemt av år med utdanning med, i denne kohorten, et minimum av åtte år med flere fag som har ≥20 års utdanning. Disse ble senere oversatt til års utdanning for begge foreldrene, når de er tilgjengelige. Emner også gitt selvrapportering Stige score på både samfunnet og SES skalaer. Samfunnsskalaen identifiserer fagets oppfattede sosiale stilling i lokalsamfunnet. Stigen-SES identifiserer fagets oppfattede rikdom i forhold til samfunnet som helhet. Begge delskalaene er i området 1 til 6 hvor verdiene tilsvarer trinnene på stigen.

bildeopptaksmetoder

ALLE MR-data ble anskaffet på En Siemens 3 T TIM Trio-skanner ved hjelp av produkt 12-kanals hodespole.

T1-vektet oppkjøp

Magnetisering-Forberedt Rapid Acquisition Gradient Echo (MPRAGE) bilder ble kjøpt ved HJELP AV EN 3d inversjon utvinning sekvens MED TR/TE / TI=2,170/4.33/1,100 Ms. oppløsningen er 1×1×1 mm3 med en matrisestørrelse på 256×256×192. Flippvinkelen=7° og total skannetid var 8: 08 min.

Cerebral blodstrøm

Pseudo kontinuerlig arteriell spin merket (pCASL) bilder ble ervervet ved bruk av gradient-echo echo-planar bildebehandling (EPI) med TR/TE=4000/12 ms. oppløsningen er 3.125×3.125×6 mm (5 mm med 1 mm gap) over en 64×64×24 matrise. 40 etikett / kontrollpar ble anskaffet. GENERALISERT autocalibrating partially parallel acquisition (GRAPPA) ble brukt med en akselerasjonsfaktor på 2. Merkingsvarigheten var 1,5 s og forsinkelsen etter merking var 1,2 s. Total avbildningstid var 5: 30 min.

diffusjon tensor oppkjøpet

Diffusjon vektet bilder ble kjøpt med single-shot multi-skive ved hjelp av spin-echo EPI MED TR/TE=9500 / 87 ms. en enkelt b=0 volum ble kjøpt langs diffusjon vektet bilder for 30 retninger med b-verdi=1000. Oppløsningen er 2×2×2 mm med en matrisestørrelse på 128×128×75 voxels. Flippvinkelen=90°

dristig kjøp

blodoksygennivåavhengige (DRISTIGE) bilder ble anskaffet i hvilemodus ved bruk AV 2D EPI med TR/TE=2 000 / 27 ms.oppløsningen er 4×4×4 mm over en 64×64×25 matrise og opptil 244 tidspunkter ble anskaffet. Flippvinkelen=80° Emner ble pålagt å slappe av stille mens de så på et fikseringspunkt.

Bildebehandlingsmetoder

Vi benytter Avanserte Normaliseringsverktøy Med R (ANTsR) http://stnava.github.io/ANTsR/ for å sjekke, organisere og sette sammen en flerdatabasefil som oppsummerer rekkevidden av målinger som er tilgjengelige I PTBP. Alle skript og kildekode er tilgjengelig I ANTsR og dets avhengigheter.ANTsR (answer) Er et rammeverk for åpen vitenskapsanalyse som søker å muliggjøre prediktive biomedisinske studier som integrerer bildemodaliteter med andre data. ANTsR løser statistiske behov Med R, statistisk databehandling språk, mens du bruker En ANTs kjerne for bilderegistrering, segmentering og mal construction32-36. Dette rammeverket er unikt generelle formål ved at det gjør ingen forutsetninger om bildeinnhold eller organsystemer som det er brukt og er egnet For n-dimensjonale data (2-D, 3-D, 4-D). Som bevis på denne generaliteten vant ANTsR tools to uavhengige registreringskonkurranser, en i brain MRI37 og en i lung CT38. Videre er ANTsR medvirkende til en av de ledende felles label fusion (multi-atlas segmentering) metoder for tiden tilgjengelig for automatisert anatomisk merking39 og nylig vunnet åpne konkurranser i segmentering / prediksjon, BRATS 2013 PÅ MICCAI 2013 (ref. 40) OG SATA utfordringer PÅ MICCAI 2012 OG MICCAI 2013, sistnevnte som ansatt flere modaliteter på tvers av arter og organsystemer. Samtidig er rammen tilpassbar slik at den kan brukes til å løse spesifikke analyseproblemer ved å inkorporere forkunnskaper. Vi beskriver nedenfor hvordan Vi ansetter ANTsR til: (1) gi en flerkanals populasjonsmal representant for modaliteter som er tilgjengelige I PTBP; (2) kontroller datakvalitet og gyldighet av behandlingsbeslutninger i hver modalitet; (3) beregne sammendragsmålinger som gjør det mulig for biostatister og andre forskere enkel tilgang til PTBP-data uten byrde for storskala bildebehandling. I det følgende avsnittet vil vi rapportere viktige sammendragstiltak som tjener til å støtte gyldigheten av både oppkjøp og etterbehandling. All programvare som brukes til å oppnå disse resultatene, er offentlig tilgjengelig med betydelig innsats for å dokumentere både brukstilfeller på høyt nivå og individuelle verktøy. Frigivelse av både data og etterbehandling strømmer, sammen, utgjør en åpen vitenskap tilnærming stadig anerkjent som kritisk til fremme av science41-43.

Multiple modality population template

Normalisering av bilder til et standardkoordinatsystem reduserer intersubjektvariabilitet i befolkningsstudier, gjør at koordinater kan sammenlignes på tvers av studier og tillater en å benytte tidligere baserte segmenterings – / merkingsteknikker. Sistnevnte er viktige for vevsegmentering, hjerneutvinning, kortikal parcellasjon og funksjonelle eller strukturelle tilkoblingsstudier. Ulike tilnærminger finnes for å bestemme normalisert plass som valg av en pre-eksisterende mal basert på et enkelt emne, For Eksempel Talairach atlas44, Eller en offentlig tilgjengelig gjennomsnittlig gruppe av fag, FOR EKSEMPEL MNI45 eller ICBM46 maler. Vi benytter den symmetriske groupwise normaliseringsmetoden (SyGN)av ref. 47 som eksplisitt modellerer den geometriske komponenten av det normaliserte rommet under optimalisering for å produsere hjernebilder som representerer befolkningen under studien, både når det gjelder anatomiens form og anatomiens utseende. Kobling av den indre symmetrien Til SyN parvis registrering33 og Sygns optimaliserte formbaserte gjennomsnitt av malutseendet fører til et kraftig rammeverk for populasjonsspesifikke bildestudier på tvers av modalitet og art47–51. Vi oppnår denne generaliteten ved å lagre populasjonsspesifikk tidligere informasjon i malrommet for å hjelpe til med hjerneutvinning eller andre kvantifiseringstrinn.Tradisjonelt ble denne tilnærmingen brukt for enkle modaliteter, men nylig er den utvidet for flere modaliteter via kohortspesifikke maler som fanger gjennomsnittlig form Og utseende Av T1, DTI og funksjonelle bilder, som i refs 25, 32, 49, 52. Noen av disse malene har blitt utgitt for offentlig bruk29 og inkluderer befolknings gjennomsnitt med variasjon på tvers av både alder og modalitet. Selv om disse ressursene er av verdi, følger vi filosofien om å bygge en populasjonsspesifikk mal FOR PTBP og dens modaliteter slik at vi utnytter den nyeste bilderegistreringsmetoden.vår malbyggeprosedyre konstruerer først et gjennomsnittlig t1-hjernebilde fra hele befolkningen (n=119). Vi deretter trekke ut malen hjernen basert på multi-mal labeling39, 53, for tiden state-of-the-art for automatisert merking. Ved hjelp av en lignende prosedyre genererer vi probabilistiske vev / strukturpriorer for hvert av de 6 vevene av interesse: cortex, dyp grå materie, cerebrospinalvæske, hvit materie og cerebellum. Et sammendrag av malbyggingsprosedyren er tilgjengelig, med to eksempeldatasett, på https://github.com/ntustison/TemplateBuildingExample (dette er et pedagogisk brukseksempel, ikke et arkivert datasett eller publisert programvare). De samme metodene konstruerte malene som er tilgjengelige på ref. 29 som vi brukte som utgangspunkt FOR PTBP tilpasset vev tidligere generasjon. Når gjennomsnittlig bilde og priors er fullført (fil PTBP.zip), kan man overføre alle dataene ved en liten deformasjonsregistrering til standard MNI space54 (fil PTBP_MNI.zip).

Malbasert behandling Av individuelle subjekt t1 bilder

en oversikt over Den ANTs-baserte konstruksjonsrørledningen er tilgjengelig i ref. 29. Gitt en ferdigstilt t1-mal, kan vi segmentere Og behandle de enkelte T1-dataene. Vi behandler deretter individuelle modaliteter, inkludert DTI, ASL og BOLD. Til slutt genererer vi de geometriske transformasjonene fra følgesvennmodaliteter til kjernen T1 anatomisk bilde samt malrommet. Vi oppnår dette etter at full multiple modality datasett er behandlet, som beskrevet nedenfor. Totalt er trinnene som er involvert for å behandle et individuelt flerdatasett, detaljert her http://jeffduda.github.io/NeuroBattery/, sammen med et eksempel datasett og mal som kan brukes til å verifisere reproduserbarhet av prosedyren. Dette gjentas for hver enkelt person i en befolkning. Vi gir nå en oversikt over behandlingstrinnene For T1 og deretter for hver modalitet. Figur 1 oppsummerer hele rørledningen.

T1 brain extraction

Brain extraction bruker Maur kombinerer mal priors, høy ytelse brain image registration33, Og Atropos32 med topologiske forbedringer basert på matematisk morfologi, som beskrevet i ref. 29 og implementert i antsBrainExtraction.sh. et eksempel på bruk er her https://github.com/ntustison/antsBrainExtractionExample (dette er et pedagogisk bruk eksempel, ikke et arkivert datasett eller publisert programvare). Kort Sagt, i dette stadiet bruker vi en grov og relativt rask registrering for å beregne en vridning mellom malen helhodet og emnet av interesse. Dette gjør oss i stand til å deformere en probabilistisk hjerneutvinning fra malen inn i fagrommet. Den forvrengte mal sannsynlighetskartet er terskel ved 0,5 og den resulterende masken er utvidet med en radius på 2. Atropos brukes deretter til å generere et innledende 3-vevs segmenteringsestimat i maskeområdet. Hver av de tre vevsmaskene gjennomgår spesifikke morfologiske operasjoner som deretter kombineres for å skape en hjerneutvinningsmaske for bruk i resten av den kortikale tykkelsen arbeidsflyten. En sammenligning med åpen tilgang hjernedata med offentlig tilgjengelige hjerneutvinningsalgoritmer, inkludert AFNI ‘s 3dIntracranial55, FSL’ S BET2 (ref. 56), Freesurfer er mri_watershed57, Og BrainSuite58 viste at vår kombinerte registrering / segmentering approach47 utfører på øverste nivå Sammen Med BrainSuite (tuned) og FreeSurfer.

Seks vevsegmentering

vår segmenteringsprosedyre utnytter To metoder som styres av anatomiske priorer og som fungerer sammen for å parcellere hjernen i seks anatomiske / vevsklasser: cerebrospinalvæske, kortikal grå materie, dyp grå materie, hvit materie, hjernestamme og cerebellum. Disse vev priors er først kartlagt i fagrommet ved å utføre en stor deformasjon SyN registrering mellom malen cerebrum og den enkelte subjekt cerebrum, som i refs 37, 42, 59. De deformerte malpriorene brukes deretter til å veilede forventningsmaksimering (EM) segmentering (Atropos prior-based segmentation32) vekslet med inhomogenitetskorreksjon via n4 bias field correction algorithm34. Navnet N4 stammer fra det faktum at det er en forbedring på den klassiske n3 algorithm60. Atropos refererer til en figur i gresk mytologi som utøvet ‘shears of fate’; i tilfelle av segmentering refererer saksene til å dele bildet i deler. På grunn av det viktige samspillet mellom segmentering og skjevhetskorreksjon, utfører Vi flere N4 ⇔ Atropos iterasjoner. For å bedre integrere Atropos Og N4 bruker vi en ren vevssannsynlighetsvektmaske generert fra de bakre sannsynlighetene som genereres fra segmenteringsprosessen. Denne prosedyren er beskrevet mer detaljert i refs 29 og 32. Et reproduserbart eksempel segmentering datasett og kommandolinje For Maur metoden antsAtroposN4.sh er her https://github.com/ntustison/antsAtroposN4Example (dette er et pedagogisk bruk eksempel, ikke et arkivert datasett eller publisert programvare).

Direkte (aka KellySlater/KellyKapowski) kortikal tykkelse estimering

Brain segmentering gjør oss i stand til å beregne kortikal tykkelse via Diffeomorphic Registrering-basert Kortikal Tykkelse (Direkte) algoritme. Direkte ble introdusert i ref. 61 og gjort tilgjengelig I Maur med programmet KellySlater. Siden da har flere forbedringer blitt gjort Og innlemmet I programmet KellyKapowski, spesielt å bestemme et automatisert parametersett basert på omfattende eksperimentering og sammenligning med referansekortiske tykkelsesverdier tilgjengelig i litteraturen. Det er viktig at vi nylig viste at disse metodene overgår FreeSurfer package62 når det gjelder å trekke ut informasjon fra kortikal tykkelse som er prediktiv for kjønn og alder i en stor samling av neuroimages over lifespan29. Blant de viktigste fremskrittene er at den nyere implementeringen er multi-threaded, skrevet i streng ITK-kodingsstil, og har blitt gjort offentlig tilgjengelig gjennom ANTs komplett med et unikt brukergrensesnitt design utviklet spesielt for ANTs verktøy. Et eksempel på bruk med referanse todimensjonale data er i https://github.com/ntustison/antsCorticalThicknessExample (dette er et pedagogisk brukseksempel, ikke et arkivert datasett eller publisert programvare). Til slutt produserer Den Direkte algoritmen et bilde, i emne T1-rom, som inneholder voxel-klare målinger av kortikal tykkelse som er egnet for bruk i voxel-baserte eller regionbaserte statistiske studier som i refs 50, 63-65.

Regional hjernemerking med aal-etiketter

det siste trinnet i Vår t1-rørledning innebærer å produsere sammendragsmålinger for total hjernevolum, seks vevsegmentering og for regional og lobar kortikal tykkelse. Vi bruker den mye brukte aal labelset for dette formålet66. Disse etikettene er forvandlet fra vår høyoppløselige gruppe mal plass i den enkelte fagområdet ved å følge den inverse av malen diffeomorphic kartlegging. AAL inneholder standard regionale parcellations av cortex, lillehjernen og dyp grå materie strukturer inkludert putamen, thalamus, hippocampi og caudate. For hvert emne som vi behandler, vi måle disse volumene og regional gjennomsnittlig tykkelse produsere en enkelt rad med informasjon som til slutt inngått en oppsummering demografi fil. Dette brukes ikke bare til å utføre studier av kohortvariabler, men også for innledende datakontroll som identifiserer fag med globale eller regionale avviksverdier med hensyn til kjente referanseverdier.

dti-behandling

vår prosedyre for analyse AV Dti med Maur ble validert i ref. 67. Kort sagt har vi utviklet en automatisert prosessorrørledning for diffusjonsbilder ved hjelp av open source-verktøyene Camino68 og ANTs, som gir forbehandling, hjerneutvinning, diffusjon tensor beregning og normalisering til malrom, samt diagnostiske bilder i fagområdet for å hjelpe kvalitetskontroll, inkludert fraksjonell anisotropi, gjennomsnittlig korrigert DWI og støyavvik. Kjernen i metoden er å først behandle data I DWI-rom og deretter omdanne dataene til individuelt T1-eller gruppemalrom.

det første trinnet I dti-behandling er å utføre bevegelses-og forvrengningskorreksjon av diffusjonsvektede bilder. Det første uveide bildet i diffusjonssekvensen brukes som referansebilde for bevegelse og forvrengningskorreksjon. De gjenværende uveide bildene er stivt justert til referansebildet og i gjennomsnitt; dette gjennomsnittlige bildet brukes som referansebilde for affine korreksjon av diffusjonsvektede bilder (DWI) for bevegelse og forvrengning forårsaket av diffusjonsvektingsgradienter. En hjernemaske beregnes ved å samkjøre den gjennomsnittlige DWI til en mal, og fordreining malen hjernemaske inn i fagrommet. Behandlingen fortsetter deretter på hjernens ekstraherte bilde. Diffusjon tensorer beregnes ved hjelp av en iterativ vektet lineær minste kvadraters algoritme69.

den transformerte DTI er vridd til malrommet ved å kombinere intra-subject DWI Til T1 warp med warp tidligere definert for å normalisere motivets T1 bilde til malrommet. Den korrekte anatomiske orienteringen av diffusjonstensorene bevares ved å anvende preservering av hovedretningsmetoden70, og skalarstatistikk som FA og gjennomsnittlig diffusivitet beregnes ut fra de normaliserte diffusjonstensorene.

Estimering av genervariabler i funksjonelle bilder

Flere trinn er vanlige for behandling av ENTEN FET eller ASL funksjonell MR. Disse inkluderer hjerneutvinning, bevegelseskorreksjon og gener variabel estimering. I løpet av de siste ett til to årene introduserte vi metoder i Maur for å estimere disse parametrene FRA 4d tidsseriedata. Bevegelseskorreksjon utføres av antsMotionCorr-programmet I ANTs som bruker en gjensidig informasjons likhet metrisk og en ikke-lineær konjugat gradient optimizer for å maksimere Affine eller Stiv likhet mellom hvert bilde i en tidsserie og et sekvensspesifikt referansebilde. Disse metodene er basert på Insight ToolKit versjon 4 revisjon, som beskrevet i ref. 71. Bevegelsesparametrene for hver tidsramme skrives ut TIL EN CSV-fil slik at de kan oppsummeres og muligens brukes som plagsomme variabler innen populasjonsstatistikk72. Vi gjør forskjellige valg av referansebilde for hver modalitet. FOR FET velger vi det gjennomsnittlige bildet fra fulltidsserien. FOR CASL og pCASL velger vi gjennomsnittlig kontroll merket bilde. FOR PASL bruker vi det oppkjøpte m0-bildet. En hjernemaske beregnes ved enten en enkel morfologisk prosedyre (morfologisk erosjon etterfulgt av største komponentvalg og morfologisk dilatasjon) eller ved å justere referansebevegelseskorreksjonsbildet til en sekvensspesifikk mal og forvrenge malhjernemasken inn i fagrommet. FOR PTBP brukte vi sistnevnte tilnærming.

den andre store plage, utover bevegelse, er fysiologisk støy73-75. Mens man bør velge optimale plageparametere for hver studie og basert på datakvalitet, velger vi å bruke den datadrevne og automatiske CompCor approach75 som ble validert I ASL og BOLD og ikke stole på anatomisk segmentering. Tilnærmingen utfører entall verdi dekomponering på høy temporal varians voxels og bruker (typisk 3 til 6) entall vektorer som plage regressorer. Disse regressorene ble vist å fange fysiologisk bevegelse, skannerstøy og andre faktorer som ikke er relatert til cerebral blodstrøm eller FET aktivering. Både bevegelseskorreksjon og CompCor estimering med Maur er vist her https://github.com/stnava/fMRIANTs (dette er et pedagogisk bruk eksempel, ikke et arkivert datasett eller publisert programvare).

Cerebral blodstrøm (CBF) FRA ASL

Parenkymal perfusjon er en viktig fysiologisk parameter i evaluering og styring av hjernesykdommer, samt en surrogatindeks for nevral aktivitet76. ASL perfusjon MRI er også ideell for farmasøytiske studier i pediatriske populasjoner, da det tillater absolutt CBF kvantifisering, er helt ikke-invasiv og er potensielt følsom for behandlingsrespons23. Nevroanatomisk definerte målinger som kortikal tykkelse 22,77,78 og FA utlede direkte fra en relevant fysisk egenskap i det avbildede hjernevevet og kan mislykkes i å fange kortsiktige funksjonelle effekter på grunn av intervensjon eller trening. PTBP etablerer muligheten FOR ASL-MR i et aldersområde hvor hjernen utvikler seg raskt og når tidlige tegn på fremtidige nevropsykiatriske lidelser kan oppstå. Dette funksjonelle kvantitative tiltaket (versus de relative verdiene GITT AV BOLD) har potensial til å avdekke endringer i hjernen på grunn av skade79, smerte80,farmakologisk intervensjon81, 82 eller som går foran synlige strukturelle endringer og kan indikere kortikal omorganisering 83. CBF er en mer repeterbar funksjonell måling ENN BOLD84, 85, kan brukes i nettverksanalyse i stedet for ELLER kombinasjon MED BOLD86 og gir et unikt syn på hjernen komplementær TIL DTI og T1.

hvert motivs m0-bilde, oppnådd som gjennomsnittet av kontrollbildene, ble forvrengt til motivets T1-bilde ved hjelp av antsIntermodalityIntrasubject.sh manus. Disse transformasjonene ble sammenkoblet med emne-til-mal-transformasjonene for å fordreie maletikettene til emnets innfødte ASL-plass. M0-bildet tjente som referanse for bevegelseskorrigering av alle tidspunktvolumer. I tillegg til bevegelse og plage regressorer beskrevet ovenfor, inkluderte vi enten taggen eller kontrolletiketten til bildet som en regressor, med koeffisienten til den regressoren som svarer til gjennomsnittlig forskjell mellom tag og kontroll. Alle regressorer ble inkludert i en robust regresjonsordning for CBF-beregning87. Ligningen FOR CBF beregning kan bli funnet i ref. 88 med en antatt merkingseffektivitet på 0,85. Fullstendige detaljer er tilgjengelig i open source-skriptet på https://raw.github.com/stnava/ANTs/master/Scripts/antsASLProcessing.sh (dette er tilgjengelig som en del Av Figshare-depotet, Data Citation 1). Blodets t1-verdi ble justert for alder og kjønn som T1=(2115,6-21,5*alder-73,3*kjønn) ms, der kvinnelig kjønn ble satt til 0 og mannlig ble satt til 1, som foreslått i ref. 88.

Nettverksanalyse med resting BOLD fMRI

Nettverksanalyse kan utføres med en hvilken som helst av tre typer tidsseriedata: standard BOLD, ASL-BOLD eller ASL-CBF. ASL-CBF-signalet kan ha fordeler over FET spesielt i orbitofronal og anterior temporal regioner hvor standard FET signal frafall forekommer89,90. MEN SOM ASL-CBF nettverksanalyse er relativt ny, og vi har andre metoder for å validere ASL-CBF, fokuserer vi på nettverksanalyse ved hjelp av resting BOLD modality FRA PTBP. Målet er å trekke ut standard nettverksmålinger som kan vurderes for sammenligning med demografi for å bidra til å etablere gyldigheten av oppkjøpet og behandlingen.

vi baserer vår graf / nettverkskonstruksjon på standard aal kortikale etiketter som vi forvandler Fra t1 fagområdet TIL FET plass. Vi foretrekker å utføre analyse I FET plass for å minimere confounds forbundet med interpolering og resampling av lav oppløsning bilder som disse kan skjevheter resultatene i en subjekt-avhengig måte. HVER FET bilde er først residualized med hensyn til baseline ordensforstyrrelser parametere beskrevet ovenfor, det vil si, bevegelsesparametere og compcor entall vektorer. For hver aal-etikett av interesse (her bare cortex, etiketter 1-90), beregnes et region-gjennomsnittlig tidssignal. Hver tidsserie blir så bandpass filtrert ved Hjelp Av Christiano-Fitzgerald filtering91, som implementert Av r-funksjonen cffilter i pakken mFilter, for å undersøke en rekke frekvenser som passer for den spesifikke datatypen. For båndpassfiltrering velger vi frekvensområdet 0,01 – 0,1 Hz basert på tidligere arbeid92 og på foreløpige analyser, i noen få fag, av nettverksgjengivelse. Nettverkskomponenten i prosessorledningen er tilgjengelig i ANTs/ANTsR-skriptet antsboldnetworkanalyse.R som antar at hjerneetiketter og bevegelsesparametere er tilgjengelige. Den primære utgangen av dette skriptet som brukes i datakontroll, nedenfor, er N×N Pearson korrelasjonsmatrise definert av korrelasjonen mellom de filtrerte tidssignalene for hver Av de n merkede områdene.