Dit document en alle cijfers behalve Fig. 1 worden on The fly gegenereerd door het compileren van het invoerbestand via de R en LaTeX tolken met behulp van het knitr-pakket. Dit levert de output pdf samen met alle statistische cijfers en kwantitatieve demografische samenvattingen.

Cohortselectie

De steekproef werd gerekruteerd tussen januari 2010 en februari 2014. De Algemene cohortselectie probeerde de demografische verdeling van kinderen in de leeftijd van 7 tot 18 jaar in de Verenigde Staten te matchen, op basis van gegevens van de Amerikaanse volkstelling, in termen van ras, etniciteit, geslacht en gezinsinkomen. Gegevens werden verzameld op één locatie, het Ahmanson-Lovelace Brain Mapping Center in UCLA, door het Laboratory of Functional MRI Technology (LOFT). Typisch gezonde ontwikkelende kinderen tussen 7 en 18 jaar werden in deze studie opgenomen. De uitsluitingscriteria werden ontworpen om kinderen uit te sluiten: (1) met eerder gediagnosticeerde medische aandoeningen (waaronder ontwikkelingsstoornissen, neurologische, psychiatrische en leerstoornissen); (2) die voldeden aan de criteria voor een leer – / psychiatrische stoornis of neurologische aandoening die niet eerder gediagnosticeerd was; (3) die waren blootgesteld aan omgevingsomstandigheden waarvan bekend is of waarschijnlijk is dat ze van invloed zijn op de normale ontwikkeling; (4) die geen MRI-scan kunnen ondergaan; en 5) met een beperkte Engelse vaardigheid (aangezien verschillende tests die in het kader van deze studie moeten worden uitgevoerd, niet beschikbaar waren in andere talen dan het Engels). De volledige lijst van uitsluitingscriteria is hieronder:

• ontwikkelingsstoornissen & medische aandoeningen: bekende ontwikkelingsstoornissen (falen om te gedijen; PKU enz.).

• Gehoorstoornis waarvoor gehoorapparaat nodig is.

• visusstoornis (scheelzien, visuele handicap niet te corrigeren met een gewone bril).

• Diabetes (type I, behandeld met insuline).

• systemische reumatologische ziekte (bijvoorbeeld glomerulonefritis, endocarditis).

• systemische maligniteit waarvoor chemo – & CZS radiotherapie congenitale hartafwijking.

• neurologische aandoeningen, Convulsiestoornis.

• infectie met het CZS (bijvoorbeeld meningitis).

• hersentumor.

• voorgeschiedenis van gesloten hoofdletsel met bewustzijnsverlies > 5 min.

• spierdystrofie of Myotonische dystrofie.

• gedragsstoornissen, psychiatrische stoornissen, & leerstoornissen: schizofrenie, autismespectrumstoornis, bipolaire stoornissen, recidiverende Major Depression, Attention Deficit Hyperactivity Disorder (ADHD), Conduct Disorder, Tourette Disorder, Obsessive Complusive Disorder (OCD), drugsverslaving.

• Child Behavior Checklist (CBCL) subschaalscore <70.

• IQ-rating <80.

• Prestatiescore >2 dagen onder leeftijdsnormen.

• huidige / verleden taalstoornis (dyslexie, stotteren).

• plaatsing in het bijzonder onderwijs.

• MRI Contra-indicaties: metalen implantaten (beugels, spelden) of metaalfragmenten, Pacemaker of elektronische medische implantaten, claustrofobie, zwangerschap.

• beperkte Engelse taalvaardigheid.voorafgaand aan de IQ-beoordeling en MR-scans werd schriftelijke geïnformeerde toestemming verkregen om deel te nemen aan het onderzoek en de publieke bekendmaking van de gegevens, volgens de richtlijnen van de Institutional Review Board (IRB) van de University of California Los Angeles (UCLA).

  assessment of behavior and environment

  psychometrische evaluatie

  de Wechsler Abbreviated Scale of Intelligence (WASI)30,31 werd toegediend aan elk proefpersoon, wat resulteerde in drie complementaire metingen van IQ: het verbale IQ (woordenschat, gelijkenissen), het Performance IQ (Matrixreasing, Block Design) en het volledige IQ. Correlaties tussen de full-scale IQ en verbale IQ is 0,89, tussen de full-scale IQ en performance IQ is 0,86 en tussen de performance IQ en verbale IQ is 0,54.

  beoordeling van de sociaaleconomische status en de achtergrond van de ouders

  gezinsinkomen werd gekwantificeerd binnen een zelfrapportage in USD. De verdeling van de fundamentele cohort Demografie is weergegeven in Fig. 2. Het opleidingsniveau van de vader en de moeder werd bepaald door jaren onderwijs met, in dit cohort, een minimum van acht jaar met verschillende vakken met ≥20 jaar onderwijs. Deze werden vervolgens vertaald in jaren van onderwijs voor beide ouders, indien beschikbaar. Onderwerpen ook zelf-rapport Ladder scores op zowel de Gemeenschap en SES schalen. De gemeenschapsschaal identificeert de perceptie van de sociale status van het subject binnen hun lokale gemeenschap. De Ladder-SES identificeert subjects waargenomen rijkdom ten opzichte van de samenleving als geheel. Beide subschalen liggen in het bereik van 1 tot 6 waar de waarden overeenkomen met sporten op de ladder.

  Beeldverwervingsmethoden

  alle MRI-gegevens werden verkregen op een Siemens 3 T TIM Trio-scanner met behulp van de product 12-kanaals kopspoel.

  T1-gewogen acquisitie

  snelle Acquisitiegradiëntecho (MPRAGE) – beelden werden verkregen met behulp van een 3D-inversieherstelsequentie met TR/TE/TI=2,170/4.33/1,100 ms. de resolutie is 1×1 × 1 mm3 met een matrixgrootte van 256×256 × 192. De flip hoek = 7° en de totale scantijd was 8: 08 min.

  cerebrale bloedstroom

  Pseudo continue arteriële spin gelabeld (pCASL) beelden werden verkregen met gradiënt-echo echo-planar imaging (EPI) met TR/te=4.000/12 ms. de resolutie is 3,125×3,125×6 mm (5 mm met 1 mm spleet) over een 64×64×24 matrix. 40 label / controle paren werden verworven. Gegeneraliseerde autocalibratie gedeeltelijk parallelle acquisitie (GRAPPA) werd gebruikt met een versnellingsfactor 2. De labelduur was 1,5 s en de post-labelvertraging was 1,2 s. totale beeldtijd was 5: 30 min.

  diffusie tensor acquisitie

  diffusie gewogen beelden werden verkregen met single-shot multi-slice met behulp van spin-echo EPI met TR/TE=9.500 / 87 ms. een enkel b=0 volume werd verkregen langs diffusie gewogen beelden voor 30 richtingen met b-waarde=1.000. De resolutie is 2×2×2 mm met een matrixgrootte van 128 × 128×75 voxels. De kantelhoek = 90°.

  vetgedrukte acquisitie

  bloedzuurstofniveau-afhankelijke (vetgedrukte) beelden werden verkregen in rusttoestand met behulp van 2D EPI met TR/TE=2.000 / 27 ms. de resolutie is 4×4×4 mm over een 64×64×25 matrix en tot 244 tijdpunten werden verkregen. De kantelhoek = 80°. Proefpersonen moesten rustig ontspannen terwijl ze naar een fixatiepunt keken.

  Beeldverwerkingsmethoden

  We maken gebruik van geavanceerde Normalisatietools met R (ANTsR) http://stnava.github.io/ANTsR/ om een databasebestand met meerdere modaliteit te controleren, te organiseren en samen te stellen dat het bereik van de beschikbare metingen in het PTBP samenvat. Alle scripts en broncode zijn beschikbaar in ANTsR en zijn afhankelijkheden.

  ANTsR (ANSR) is een open-wetenschappelijk analysekader dat voorspellende biomedische studies mogelijk wil maken die beeldvormingsmodaliteiten integreren met andere gegevens. ANTsR Lost statistische behoeften met R, de statistische computertaal, terwijl het gebruik van een mieren kern voor beeldregistratie, segmentatie en template construction32-36. Dit raamwerk is een uniek algemeen doel in die zin dat het geen veronderstellingen maakt over beeldinhoud of orgaansystemen waarop het wordt toegepast en geschikt is voor N-dimensionale gegevens (2-D, 3-D, 4-D). Als bewijs van deze algemeenheid won ANTsR tools twee onafhankelijke registratiewedstrijden, één in brain MRI37 en één in Long CT38. Bovendien, ANTsR is instrumenteel voor een van de toonaangevende joint label fusion (multi-atlas segmentatie) methoden momenteel beschikbaar voor geautomatiseerde anatomische labeling39 en onlangs won open competities in segmentatie / voorspelling, BRATS 2013 op MICCAI 2013 (ref. 40) en de SATA-uitdagingen op MICCAI 2012 en MICCAI 2013, waarvan de laatste verschillende modaliteiten toepaste over soorten en orgaansystemen. Tegelijkertijd is het kader zodanig aanpasbaar dat het kan worden gebruikt om specifieke analyseproblemen op te lossen door het opnemen van voorkennis. We beschrijven, hieronder, hoe we ANTsR gebruiken om: (1) bieden een multi-channel populatie template representatief voor de modaliteiten beschikbaar in PTBP; (2) Controleer de kwaliteit van de gegevens en de geldigheid van de verwerking beslissingen in elke modaliteit; (3) berekenen samenvattende metingen die biostatistici en andere onderzoekers gemakkelijke toegang tot PTBP gegevens zonder last van grootschalige beeldverwerking. In de volgende paragraaf, zullen we de belangrijkste samenvattende maatregelen die dienen om de geldigheid van zowel acquisitie en post-processing te ondersteunen rapporteren. Alle software die wordt gebruikt om deze resultaten te bereiken, is openbaar beschikbaar en er zijn aanzienlijke inspanningen geleverd om zowel gebruik op hoog niveau als individuele instrumenten te documenteren. Het vrijgeven van zowel data als post-processing streams, samen, vormt een open-wetenschappelijke benadering die steeds meer wordt erkend als cruciaal voor de vooruitgang van de wetenschap 41-43.

  multiple modality population template

  het normaliseren van afbeeldingen naar een standaard coördinatenstelsel vermindert de intersubject variabiliteit in populatiestudies, maakt het mogelijk om coördinaten te vergelijken tussen studies en maakt het mogelijk om eerder gebaseerde segmentatie / etiketteringstechnieken toe te passen. Deze laatste zijn belangrijk voor weefselsegmentatie, hersenextractie, corticale verkaveling en functionele of structurele verbindingsstudies. Er bestaan verschillende benaderingen voor het bepalen van de genormaliseerde ruimte, zoals de selectie van een reeds bestaande template op basis van een enkel onderwerp, bijvoorbeeld de Talairach atlas44, of een publiek beschikbare gemiddelde groep van onderwerpen, bijvoorbeeld de mni45 of ICBM46 templates. We gebruiken de symmetrische GroupWise normalisatiemethode (SyGN) van ref. 47 die expliciet de geometrische component van de genormaliseerde ruimte tijdens optimalisatie modelleert om hersenbeelden te produceren die de populatie in studie weergeven in termen van zowel de vorm van de anatomie als het uiterlijk van de anatomie. Het koppelen van de intrinsieke symmetrie van Syn pairwise registratie33 en SyGN ‘ s geoptimaliseerde vormgebaseerde middeling van het template-uiterlijk leidt tot een krachtig raamwerk voor populatiespecifieke beeldvormingsstudies over modaliteit en soorten47-51. We bereiken deze algemene toepassing door populatie-specifieke voorafgaande informatie op te slaan binnen de template ruimte om te helpen met hersenextractie of andere kwantificeringsstappen.

  traditioneel werd deze benadering gebruikt voor afzonderlijke modaliteiten, maar meer recentelijk is deze uitgebreid voor meerdere modaliteiten via cohortspecifieke templates die de gemiddelde vorm en het uiterlijk van T1, DTI en functionele beelden vastleggen, zoals in refs 25, 32, 49, 52. Sommige van deze templates zijn vrijgegeven voor openbaar gebruik29 en bevatten bevolkingsgemiddelden met verschillen tussen leeftijd en modaliteit. Hoewel deze middelen van waarde zijn, volgen we de filosofie van het bouwen van een populatie-specifieke template voor de PTBP en de modaliteiten ervan, zodat we profiteren van de nieuwste beeldregistratie methodologie.

  onze template bouwprocedure construeert eerst een gemiddeld T1-hersenbeeld van de volledige populatie (n=119). Vervolgens extraheren we de template brain op basis van multi-template labeling39,53, momenteel de state-of-the-art voor geautomatiseerde labeling. Met behulp van een soortgelijke procedure, genereren we probabilistische weefsel / structuur priors voor elk van de 6 weefsels van belang: cortex, diepe grijze massa, cerebrospinale vloeistof, witte massa en het cerebellum. Een samenvatting van de template bouwprocedure is beschikbaar, met twee voorbeelddatasets, onder https://github.com/ntustison/TemplateBuildingExample (dit is een pedagogisch gebruikvoorbeeld, geen gearchiveerde dataset of gepubliceerde software). Dezelfde methoden construeerden de templates beschikbaar op ref. 29 die we gebruikten als uitgangspunt voor ptbp custom tissue prior generation. Zodra de gemiddelde afbeelding en priors zijn voltooid (bestand PTBP.zip), kan men alle gegevens door een kleine deformatie registratie in de standaard MNI space54 (bestand PTBP_MNI.zip).

  Template-based processing of individual subject T1 images

  een overzicht van de ants-based structural pipeline is beschikbaar in ref. 29. Gegeven een afgerond T1 template, zijn we in staat om de individuele T1 data te segmenteren en te verwerken. Vervolgens verwerken we individuele modaliteiten, waaronder DTI, ASL en BOLD. Tot slot genereren we de geometrische transformaties van de begeleidende modaliteiten naar de kern T1 anatomische beeld evenals de template ruimte. We bereiken dit nadat de volledige multiple modality dataset is verwerkt, zoals hieronder beschreven. In totaal worden de stappen voor het verwerken van een individuele dataset met meerdere modaliteit hier beschreven http://jeffduda.github.io/NeuroBattery/, samen met een voorbeelddataset en sjabloon die kunnen worden gebruikt om de reproduceerbaarheid van de procedure te verifiëren. Dit wordt herhaald voor elk individu in een populatie. We geven nu een overzicht van de verwerkingsstappen voor T1 en vervolgens voor elke modaliteit. Figuur 1 vat de volledige pijplijn samen.

  T1 hersenextractie

  Hersenextractie met mieren combineert template priors, high-performance brain image registration33 en Atropos32 met topologische verfijningen gebaseerd op wiskundige morfologie, zoals beschreven in ref. 29 en geïmplementeerd in antsBrainExtraction.sh een voorbeeld is hier https://github.com/ntustison/antsBrainExtractionExample (dit is een pedagogisch gebruikvoorbeeld, geen gearchiveerde dataset of gepubliceerde software). In dit stadium gebruiken we in het kort een grove en relatief snelle registratie om een kromming te berekenen tussen de afbeelding van het gehele hoofd van de template en het onderwerp van interesse. Dit stelt ons in staat om een probabilistische hersenextractie van het sjabloon in de ruimte van het onderwerp te warpen. De kromgetrokken template waarschijnlijkheidskaart wordt dorste op 0,5 en het resulterende masker wordt verwijd met een straal van 2. Atropos wordt dan gebruikt om een aanvankelijke schatting van de 3-weefselsegmentatie binnen het maskergebied te produceren. Elk van de drie weefselmaskers ondergaan specifieke morfologische bewerkingen die vervolgens worden gecombineerd om een hersenenextractiemasker te creëren voor gebruik in de rest van de corticale dikte workflow. Een vergelijking met behulp van Open access hersengegevens met publiek beschikbare hersenextractie algoritmen, waaronder AFNI ’s 3dIntracranial55, FSL’ s BET2 (ref. 56), Freesurfer ‘ s mri_watershed57 en BrainSuite58 toonden aan dat onze gecombineerde registratie/segmentatieaanpak47 presteert op het hoogste niveau naast BrainSuite (tuned) en FreeSurfer.

  zes weefselsegmentatie

  onze segmentatieprocedure maakt gebruik van twee methoden die worden geleid door anatomische priors en die samen werken om de hersenen in zes anatomische/weefselklassen te verdelen: cerebrospinale vloeistof, corticale grijze massa, diepe grijze massa, witte massa, hersenstam en cerebellum. Deze weefselpoorwaarden worden eerst in kaart gebracht in de ruimte van het onderwerp door een grote syn-registratie van de vervorming uit te voeren tussen het template cerebrum en het individuele cerebrum van het onderwerp, zoals in refs 37, 42, 59. De vervormde template priors worden vervolgens gebruikt om verwachting-maximalisatie (EM) segmentatie (Atropos prior-based segmentation32) afgewisseld met inhomogeniteit correctie via de N4 bias veld correctie algoritmm34 begeleiden. De naam N4 is afgeleid van het feit dat het een verbetering is ten opzichte van de klassieke N3 algoritm60. Atropos verwijst naar een figuur in de Griekse mythologie die ‘schaar van het lot’ hanteerde; in het geval van segmentatie verwijst de schaar naar het verdelen van het beeld in delen. Vanwege de belangrijke wisselwerking tussen segmentatie en bias correctie, voeren we meerdere N4 at Atropos iteraties uit. Om Atropos en N4 beter te integreren, gebruiken we een zuiver weefselwaarschijnlijkheidsmasker gegenereerd uit de posterieure waarschijnlijkheden gegenereerd uit het segmentatieproces. Deze procedure wordt nader beschreven in refs 29 en 32. Een reproduceerbare voorbeeld segmentatie dataset en opdrachtregel voor de ants methode antsAtroposN4.sh is hier https://github.com/ntustison/antsAtroposN4Example (dit is een pedagogisch gebruik Voorbeeld, geen gearchiveerde dataset of gepubliceerde software).

  DiReCT (ook bekend als KellySlater/KellyKapowski) schatting van de corticale dikte

  Hersensegmentatie stelt ons in staat de corticale dikte te berekenen via het Diffeomorfe op registratie gebaseerde corticale dikte (DiReCT) algoritme. DiReCT werd geïntroduceerd in ref. 61 en beschikbaar gesteld in mieren met het programma KellySlater. Sindsdien zijn verscheidene verbeteringen aangebracht en opgenomen in het programma KellyKapowski, in het bijzonder het bepalen van een geautomatiseerde parameterset op basis van uitgebreide experimenten en vergelijking met referentie corticale dikte waarden beschikbaar in de literatuur. Belangrijk is dat we onlangs hebben aangetoond dat deze methoden beter presteren dan de FreeSurfer package62 in termen van het extraheren van informatie uit corticale dikte die voorspellend is voor geslacht en leeftijd in een grote verzameling neurobeelden over de hele levensduur.29 Een van de belangrijkste verbeteringen is dat de meer recente implementatie is multi-threaded, geschreven in rigoureuze ITK-codering stijl, en is publiekelijk beschikbaar gemaakt door mieren, compleet met een unieke gebruikersinterface ontwerp speciaal ontwikkeld voor mieren tools. Een voorbeeld met verwijzing naar tweedimensionale gegevens is in https://github.com/ntustison/antsCorticalThicknessExample (dit is een pedagogisch gebruikvoorbeeld, geen gearchiveerde dataset of gepubliceerde software). Uiteindelijk, het directe algoritme produceert een beeld, in onderwerp T1 ruimte, dat voxel-wijze metingen van corticale dikte bevat die geschikt zijn voor gebruik in voxel-gebaseerde of regio-gebaseerde statistische studies zoals in refs 50, 63-65.

  regionale hersenlabels met AAL-labels

  de laatste stap in onze T1-pijplijn bestaat uit het produceren van samenvattende metingen voor het totale hersenvolume, de zes weefselsegmentatie en voor regionale en lobar corticale dikte. Hiervoor gebruiken we de veelgebruikte AAL-labelset66. Deze labels worden getransformeerd van onze groepssjabloonruimte met hoge resolutie naar de individuele onderwerpruimte door de inverse van de diffeomorfe afbeelding van de template te volgen. AAL bevat standaard regionale parcellaties van de cortex, cerebellum en diepe grijze stof structuren met inbegrip van de putamen, thalamus, hippocampi en caudate. Voor elk onderwerp dat we verwerken, meten we deze volumes en regionale gemiddelde dikte produceren een enkele rij informatie die uiteindelijk wordt ingevoerd in een samenvatting demografische bestand. Dit wordt niet alleen gebruikt voor het uitvoeren van studies van cohortvariabelen, maar ook voor de eerste controle van gegevens, dat wil zeggen het identificeren van proefpersonen met globale of regionale uitschieters ten opzichte van bekende referentiewaarden.

  DTI verwerking

  onze procedure voor het analyseren van DTI met mieren werd gevalideerd in ref. 67. In het kort hebben we een geautomatiseerde verwerkingspijplijn ontwikkeld voor diffusiebeeldvorming met behulp van de open source tools Camino68 en ANTs, die pre-processing, hersenextractie, diffusie tensorberekening en normalisatie naar sjabloonruimte biedt, evenals diagnostische beelden in de onderwerpruimte om kwaliteitscontrole te bevorderen, waaronder fractionele anisotropie, gemiddelde gecorrigeerde DWI en ruisvariantie. De kern van de methode is om eerst gegevens in DWI-ruimte te verwerken en vervolgens de gegevens om te zetten in individuele T1-of groepssjabloonruimte.

  de eerste stap in DTI-verwerking is het uitvoeren van beweging en vervorming correctie van de diffusie gewogen beelden. Het eerste ongewogen beeld in de diffusiesequentie wordt gebruikt als referentiebeeld voor bewegings-en vervormingscorrectie. De resterende ongewogen beelden worden rigide uitgelijnd op het referentiebeeld en gemiddeld; dit gemiddelde beeld wordt gebruikt als referentiebeeld voor affiene correctie van de diffusiegewogen beelden (DWI) voor beweging en vervorming veroorzaakt door de diffusiegewichtgradiënten. Een hersenmasker wordt berekend door de gemiddelde DWI uit te lijnen naar een sjabloon, en het sjabloon hersenmasker te krommen naar de onderwerpruimte. De verwerking gaat dan verder op het door de hersenen geëxtraheerde beeld. Diffusie tensoren worden berekend met behulp van een iteratief gewogen lineaire kleinste kwadratenalgoritme69.

  de getransformeerde DTI worden kromgetrokken naar de template-ruimte door de intra-subject DWI naar T1-warp te combineren met de eerder gedefinieerde warp om de T1-afbeelding van het subject te normaliseren naar de template-ruimte. De correcte anatomische oriëntatie van de diffusietensoren wordt behouden door het behoud van hoofdrichtingsmethode70 toe te passen, en scalaire statistieken zoals FA en gemiddelde diffusiviteit worden berekend uit de genormaliseerde diffusietensoren.

  het schatten van overlastvariabelen in functionele afbeeldingen

  verschillende stappen zijn gebruikelijk bij het verwerken van vetgedrukte of ASL functionele MRI. Deze omvatten hersenextractie, bewegingscorrectie en overlast variabele schatting. In de laatste een tot twee jaar, introduceerden we methoden in mieren voor het schatten van deze parameters uit 4D tijdreeksgegevens. Bewegingscorrectie wordt uitgevoerd door het antsMotionCorr-programma in mieren dat een wederzijdse informatie-similarity metric en een niet-lineaire conjugate gradient optimizer gebruikt om de affiene of rigide gelijkenis tussen elk beeld in een tijdreeks en een sequentie-specifiek referentiebeeld te maximaliseren. Deze methoden zijn gebaseerd op de Insight ToolKit versie 4 revisie, zoals beschreven in ref. 71. De bewegingsparameters voor elk tijdsbestek worden uitgeschreven naar een CSV-bestand zodat ze kunnen worden samengevat en mogelijk worden gebruikt als overlastvariabelen binnen populatieniveau statistiek72. We maken verschillende keuzes van referentiebeeld voor elke modaliteit. Voor vet kiezen we de gemiddelde afbeelding uit de volledige tijdreeks. Voor CASL en pCASL, kiezen we de gemiddelde controle gelabeld beeld. Voor PASL gebruiken we het verworven M0-beeld. Een hersenmasker wordt berekend door ofwel een eenvoudige morfologie procedure (morfologische erosie gevolgd door grootste component selectie en morfologische dilatatie) of door het uitlijnen van de referentie beweging correctie beeld naar een sequentiespecifieke template en kromtrekken van het template hersenen masker in de onderwerpruimte. Voor de PTBP hebben we de laatste benadering gebruikt.

  de tweede grote overlast, naast beweging, is fysiologische geluidsoverlast 73-75. Terwijl men voor elk onderzoek optimale hinderparameters moet selecteren en op basis van gegevenskwaliteit, kiezen we voor de data-driven en automatische CompCor approach75 die in ASL en vet is gevalideerd en niet afhankelijk is van anatomische segmentatie. De benadering voert enkelvoudige waardedecompositie uit op voxels met hoge temporele variantie en gebruikt (meestal 3 tot 6) enkelvoudige vectoren als hinderregressoren. Deze regressoren bleken fysiologische beweging, scannerruis en andere factoren vast te leggen die geen verband houden met cerebrale bloedstroom of vet-activering. Zowel bewegingscorrectie als compcor schatting met mieren worden hier getoond https://github.com/stnava/fMRIANTs (dit is een pedagogisch gebruik Voorbeeld, geen gearchiveerde dataset of gepubliceerde software).cerebrale bloedstroom (CBF) van ASL

  parenchymale perfusie is een belangrijke fysiologische parameter in de evaluatie en behandeling van hersenaandoeningen, evenals een surrogaatindex van neurale activiteit76. ASL perfusie MRI is ook bij uitstek geschikt voor farmaceutische proeven in pediatrische populaties omdat het absolute CBF kwantificering mogelijk maakt, volledig niet-invasief is en potentieel gevoelig is voor behandelingsrespons23. Neuroanatomisch gedefinieerde metingen zoals corticale dikte22,77,78 en FA vloeien rechtstreeks voort uit een relevante fysieke eigenschap van het imaged hersenweefsel en kunnen er niet in slagen om functionele effecten op kortere termijn vast te leggen als gevolg van interventie of training. PTBP stelt de haalbaarheid van ASL-MRI in een leeftijdsbereik vast waarin de hersenen zich snel ontwikkelen en wanneer de vroege tekenen van toekomstige neuropsychiatric wanorde kunnen ontstaan. Deze functionele kwantitatieve maat (versus de relatieve waarden die door vet) heeft het potentieel om veranderingen in de hersenen te onthullen als gevolg van verwonding79, pijn80, farmacologische intervention81,82 of die voorafgaan aan zichtbare structurele verandering en kan wijzen op corticale reorganisatie83. CBF is een meer herhaalbare functionele meting dan BOLD84, 85, kan in netwerkanalyse in plaats van of combinatie met BOLD86 worden gebruikt en verstrekt een unieke mening op de hersenen complementair aan DTI en T1.

  Het M0-beeld van elk subject, verkregen als het gemiddelde van de besturingsafbeeldingen, werd vervormd tot het T1-beeld van het subject met behulp van de antsIntermodalityIntrasubject.sh script. Deze transformaties werden samengevoegd met de subject-to-template transformaties om de template labels te vervormen naar de subject native ASL-ruimte. Het M0-beeld diende als referentie voor bewegingscorrectie van alle tijdpuntvolumes. Naast de hierboven beschreven bewegings-en hinderregressoren hebben we ofwel het label of het controlelabel van het beeld als regressor opgenomen, waarbij de coëfficiënt van die regressor overeenkomt met het gemiddelde verschil tussen tag en control. Alle regressoren werden opgenomen in een robuust regressieschema voor CBF-calculatie87. De vergelijking voor de CBF-berekening is te vinden in ref. 88 met een aangenomen etiketteringsefficiëntie van 0,85. Volledige details zijn beschikbaar in het open-source script op https://raw.github.com/stnava/ANTs/master/Scripts/antsASLProcessing.sh (dit is beschikbaar als onderdeel van de Figshare repository, Data Citation 1). De T1-waarde in het bloed werd gecorrigeerd voor leeftijd en geslacht als T1=(2115,6–21,5*leeftijd-73,3*geslacht) ms, waarbij het vrouwelijk geslacht op 0 werd ingesteld en de man op 1, zoals wordt gesuggereerd in ref. 88.

  netwerkanalyse met vet in rust fMRI

  netwerkanalyse kan worden uitgevoerd met een van de drie typen inputtijdreeksgegevens: standaard vetgedrukt, ASL-vetgedrukt of ASL-CBF. Het ASL-CBF-signaal kan voordelen ten opzichte van vet hebben, met name in de orbitofronale en anterieure temporele regio ‘ s waar standaard vetgedrukte signaaluitval optreedt 89,90. Aangezien ASL-CBF netwerkanalyse relatief nieuw is en we andere methoden hebben om ASL-CBF te valideren, richten we ons op netwerkanalyse met behulp van de rested BOLD modaliteit van het PTBP. Het doel is om standaard netwerkmetingen te extraheren die kunnen worden beoordeeld voor vergelijking met demografische gegevens om de geldigheid van de verwerving en verwerking te helpen vaststellen.

  we baseren onze grafiek / netwerkconstructie op de standaard AAL corticale labels die we transformeren van de T1 onderwerpruimte naar de vetgedrukte ruimte. We geven de voorkeur aan het uitvoeren van analyse in de vetgedrukte ruimte om de verwarring geassocieerd met interpolatie en resampling van lage resolutie beelden te minimaliseren, omdat deze de resultaten op een onderwerpafhankelijke manier kunnen beïnvloeden. Elke vetgedrukte afbeelding wordt eerst residualiseerd met betrekking tot de basislijn overlast parameters hierboven beschreven, dat wil zeggen, beweging parameters en CompCor enkelvoud vectoren. Voor elk AAL-label van belang (hier alleen de cortex, labels 1-90), wordt een regio-gemiddelde tijd-signaal berekend. Elke tijdreeks wordt vervolgens bandpass gefilterd met behulp van de Christiano-Fitzgerald filtering91, zoals geà mplementeerd door de R-functie cffilter in pakket mFilter, om een reeks frequenties te onderzoeken die geschikt zijn voor het specifieke gegevenstype. Voor band-pass filtering selecteren we het frequentiebereik 0,01–0,1 Hz op basis van eerder werk92 en op basis van voorlopige analyses, in een paar onderwerpen, van netwerk reproduceerbaarheid. De netwerkcomponent van de processing pipeline is beschikbaar in het ants/ANTsR script antsBOLDNetworkAnalysis.R die ervan uitgaat dat hersenlabels en bewegingsparameters beschikbaar zijn. De primaire output van dit script dat wordt gebruikt bij het controleren van gegevens, hieronder, is de N×N Pearson correlatiematrix gedefinieerd door de correlatie tussen de gefilterde tijdsignalen voor elk van de n gelabelde gebieden.