As Entradas e saídas múltiplas do processo de modalidade do gasoduto. A média da população do modelo T1 é mostrada no canto superior direito. Os rótulos AAL são mapeados para cada modalidade e, juntamente com a segmentação de 6 tecidos, usados para ajudar a calcular medições sumárias para todas as modalidades e para previsão multivariada.

Cohort selection

a amostra foi recrutada entre janeiro de 2010 e fevereiro de 2014. A seleção geral de coortes procurou igualar a distribuição demográfica de crianças de 7 a 18 anos nos Estados Unidos, com base nos dados do censo norte-americano, em termos de raça, etnia, gênero e renda familiar. Os dados foram coletados em um único local, o Ahmanson-Lovelace Brain Mapping Center na UCLA, pelo Laboratório de tecnologia de ressonância magnética funcional (LOFT). Neste estudo foram incluídas crianças em desenvolvimento tipicamente saudáveis entre os 7 e os 18 anos de idade. Os critérios de exclusão foram concebidos para avaliar as crianças: (1) com patologias médicas previamente diagnosticadas (incluindo distúrbios de desenvolvimento, neurológicos, psiquiátricos e de aprendizagem); (2) que cumpriam critérios para uma doença de aprendizagem/psiquiátrica ou neurológica não diagnosticada anteriormente.; (3) que tenham sido expostos a condições ambientais conhecidas ou susceptíveis de impactar o desenvolvimento normal; (4) que não possam ser submetidos a uma ressonância magnética; e (5) que tenham uma competência limitada em inglês (dado que vários testes a serem administrados como parte deste estudo não estavam disponíveis em outras línguas para além do inglês). A lista completa dos critérios de exclusão está abaixo:

• desenvolvimento& doenças médicas: doença do desenvolvimento conhecida (falha no desenvolvimento; PKU, etc.).disfunção auditiva que requer a assistência auditiva.insuficiência Visual (estrabismo, deficiência visual não corrigível com óculos regulares).Diabetes (tipo I, tratado com insulina).Reumatologia sistémica (por exemplo, glomerulonefrite, endocardite).malignidade sistémica que requer quimioterapia-&

CNS radioterapia defeito cardíaco congénito.Perturbações Neurológicas, convulsões.infecção do SNC (por exemplo, meningite).tumor cerebral.

história de lesão da cabeça fechada com perda de consciência > 5 min.distrofia Muscular ou distrofia Miotónica.

Comportamental, Psiquiátrico, & distúrbios de aprendizagem: esquizofrenia, perturbação do espectro do autismo, distúrbios bipolares, depressão recorrente Major, perturbação do défice de atenção hiperactividade (ADHD), perturbação de Conduta, perturbação de Tourette, perturbação obsessiva Complusiva (DCO), dependência de drogas.

Achievement score >2 s. d. below age norms.perturbação da língua actual / passada (dislexia, gaguez).colocação no Ensino Especial.indicações de IRM: implantes metálicos (suspensórios, pinos) ou fragmentos de metal, Pacemaker ou implantes médicos electrónicos, claustrofobia, gravidez.proficiência inglesa limitada.

consentimento informado por escrito para participar no estudo e divulgação pública dos dados foi obtido de cada indivíduo e seus pais de acordo com as diretrizes do Institutional Review Board (IRB) da Universidade da Califórnia em Los Angeles (UCLA) antes da avaliação do QI e dos scans de MR.

avaliação do comportamento e do ambiente

avaliação psicométrica

a escala de inteligência abreviada de Wechsler (WASI)30,31 foi administrada a cada indivíduo resultando em três medições complementares do QI.: o QI Verbal (vocabulário, similaridades), o QI de desempenho (raciocínio matricial, Design de bloco) e o QI de escala completa. As correlações entre o QI de escala completa e o QI verbal são 0,89, entre o QI de escala completa e o QI de desempenho é 0,86 e entre o QI de desempenho e o QI verbal é 0,54.o rendimento familiar foi quantificado dentro de um intervalo auto-relatado definido em USD. A distribuição da demografia básica da coorte é mostrada na Fig. 2. Os níveis de educação paterna e materna foram determinados por anos de educação com, nesta coorte, um mínimo de oito anos com várias disciplinas com ≥20 anos de educação. Estes foram posteriormente traduzidos em anos de educação para ambos os pais, quando disponíveis. Os temas também forneceram pontuações auto-relatadas nas escalas da comunidade e da SES. A escala comunitária identifica a percepção da posição social do sujeito na sua comunidade local. A escada-SES identifica a riqueza percebida do sujeito em relação à sociedade como um todo. Ambas as sub-escalas estão na faixa de 1 a 6, onde os valores correspondem aos degraus da escada.

Métodos de aquisição de imagem

todos os dados de IRM foram adquiridos em um scanner Trio Siemens 3 T TIM usando a bobina de cabeça de canal do produto 12.

ponderadas em T1 e aquisição

Magnetização Preparado Rápida Aquisição de Gradiente Echo (MPRAGE) imagens foram adquiridas utilizando um 3D inversão de seqüência de recuperação com TR/TE/TI=2,170/4.33/1,100 ms. A resolução é de 1×1×1 mm3, com uma matriz de tamanho de 256×256×192. O ângulo de inversão = 7° e o tempo total de varredura foi de 8: 08 min.

fluxo sanguíneo Cerebral

Pseudo contínua arterial spin rotulada (pCASL) imagens foram adquiridas utilizando o gradiente-echo echo-planar imaging (EPI) com TR/TE=4,000/12 ms. A resolução é de 3.125×3.125 x 6 mm 5 mm com 1 mm gap), mais uma versão de 64×64×24 matriz. Foram adquiridos 40 pares de etiquetas/controlo. A autocalibração generalizada de aquisição parcialmente paralela (GRAPPA) foi usada com um fator de aceleração de 2. A duração da rotulagem foi de 1, 5 s e o atraso pós-etiquetagem foi de 1, 2 s. O tempo Total da imagem foi de 5:30 min.

aquisição de tensores de difusão

imagens ponderadas por difusão foram adquiridas com uma única imagem multi-fatia usando EPI spin-echo com TR/TE=9,500 / 87 ms. um único volume b=0 foi adquirido ao longo de imagens ponderadas por difusão para 30 direcções com valor b=1,000. A resolução é de 2×2×2 mm, com uma matriz de 128×128×75 voxels. O ângulo de viragem = 90°.a resolução é de 4×4×4 mm sobre uma matriz de 64×64×25 e até 244 pontos de tempo foram adquiridos. The flip angle = 80°. Os sujeitos eram obrigados a relaxar calmamente enquanto olhavam para um ponto de fixação.

métodos de processamento de Imagens

Nós empregam Avançado de Normalização de Ferramentas com R (ANTsR) http://stnava.github.io/ANTsR/ para conferir, organizar e montar um múltiplo modalidade arquivo de banco de dados que resume o intervalo de medições disponíveis no PTBP. Todos os scripts e código fonte estão disponíveis no ANTsR e suas dependências.

ANTsR (resposta) é uma estrutura de análise de ciência aberta que busca permitir estudos biomédicos preditivos que integram modalidades de imagem com outros dados. ANTsR resolve necessidades estatísticas com R, A linguagem de computação estatística, enquanto usa um núcleo de formigas para registro de imagem, segmentação e construção de template 32–36. Este quadro tem um propósito geral único, na medida em que não faz suposições sobre o conteúdo da imagem ou sistemas de órgãos aos quais é aplicado e é apropriado para dados n-dimensionais (2-D, 3-D, 4-D). Como evidência desta generalidade, a ANTsR tools ganhou duas competições de registro independentes, uma em brain MRI37 e outra em lung CT38. Além disso, a ANTsR é fundamental para um dos principais métodos de fusão de marcas conjuntas (segmentação multi-atlas) atualmente disponíveis para a rotulagem anatômica automatizada 39 e ganhou recentemente concursos gerais em Segmentação/predição, BRATS 2013 no MICCAI 2013 (ref. 40) e os desafios SATA no MICCAI 2012 e MICCAI 2013, o último dos quais empregou várias modalidades entre espécies e sistemas de órgãos. Ao mesmo tempo, o framework é personalizável de modo que ele pode ser usado para resolver problemas específicos de análise incorporando conhecimento prévio. Nós descrevemos, abaixo, como empregamos ANTsR para: (1) fornecer uma multi-canal população modelo representativo das modalidades disponíveis no PTBP; (2) verificar a qualidade dos dados e a validade de processamento de decisões em cada modalidade; (3) calcular o resumo de medições que permitem bioestatísticos e outros pesquisadores fácil acesso para PTBP de dados, sem ônus, em grande escala, de processamento de imagem. Na seção seguinte, vamos relatar as principais medidas resumidas que servem para apoiar a validade tanto da aquisição quanto do pós-processamento. Todo o software utilizado para alcançar estes resultados está disponível ao público, com esforços significativos feitos para documentar tanto casos de uso de alto nível e ferramentas individuais. Liberando ambos os fluxos de dados e pós-processamento, juntos, constitui uma abordagem de ciência aberta cada vez mais reconhecida como crítica para o avanço da science41–43.

Vários modalidade população de modelo

a Normalização de imagens para um sistema de coordenadas padrão reduz a variabilidade inter-individual em estudos populacionais, permite que as coordenadas a comparação entre os estudos e permite empregar antes de segmentação baseada em/etiquetagem técnicas. Estes últimos são importantes para a segmentação tecidular, extração cerebral, parcelação cortical e estudos de conectividade funcional ou estrutural. Existem várias abordagens para determinar o espaço normalizado, tais como a selecção de um pré-existente do modelo com base em um único assunto, por exemplo, o Talairach atlas44, ou publicamente disponíveis, a média do grupo de disciplinas, por exemplo, o MNI45 ou ICBM46 modelos. Nós empregamos o método de normalização simétrico groupwise (SyGN) da ref. 47 que explicitamente modela o componente geométrico do espaço normalizado durante a otimização para produzir imagens cerebrais que representam a população em estudo em termos tanto da forma da anatomia quanto da aparência da anatomia. Acoplar a simetria intrínseca do registo em pares Syn33 e a otimização da aparência baseada na forma da SyGN leva a um poderoso quadro para estudos de imagem específicos da população através da modalidade e species47-51. Alcançamos esta generalidade de Aplicação armazenando informação prévia específica da população dentro do espaço-modelo para ajudar com a extração cerebral ou outros passos de quantificação.tradicionalmente, esta abordagem foi usada para modalidades únicas, mas, mais recentemente, é estendida para múltiplas modalidades através de modelos específicos de coorte que capturam a forma e aparência média de T1, DTI e imagens funcionais, como em ref 25, 32, 49, 52. Alguns destes modelos foram liberados para uso público 29 e incluem médias da população com variação em toda a idade e modalidade. Embora estes recursos sejam de valor, seguimos a filosofia de construir um modelo específico de população para o PTBP e suas modalidades, de modo que aproveitamos a mais recente metodologia de registro de imagens.

O Nosso método de construção de modelos constrói primeiro uma imagem média do cérebro T1 a partir da população total (N = 119). Depois extraímos o cérebro modelo com base na etiquetagem multi-template 39, 53, actualmente o estado-da-arte para a etiquetagem automatizada. Usando um procedimento semelhante, geramos priores probabilísticos de tecido/estrutura para cada um dos 6 tecidos de interesse: córtex, massa cinzenta profunda, líquido cefalorraquidiano, matéria branca e o cerebelo. Um resumo do procedimento de construção do modelo está disponível, com dois conjuntos de dados de exemplo, em https://github.com/ntustison/TemplateBuildingExample (este é um exemplo de uso pedagógico, não um conjunto de dados arquivados ou software publicado). Os mesmos métodos construíram os modelos disponíveis na ref. 29 que usamos como ponto de partida para PTBP tecido personalizado de geração anterior. Uma vez concluída a imagem média e os antecedentes (ficheiro PTBP.zip), pode-se transferir todos os dados por um pequeno registro de deformação para o padrão MNI space54 (arquivo PTBP_MNI.postal).

Template-based processing of individual subject T1 images

an overview of the ANTs-based structural pipeline is available in ref. 29. Dado um modelo T1 finalizado, somos capazes de segmentar e processar os dados T1 individuais. Posteriormente, processamos modalidades individuais, incluindo DTI, ASL e BOLD. Finalmente, nós geramos as transformações geométricas das modalidades companheiras para a imagem anatômica do núcleo T1, bem como o espaço-modelo. Alcançamos isso depois que o conjunto completo de dados de modalidade múltipla é processado, como descrito abaixo. No total, as etapas envolvidas para o processamento de um conjunto individual de dados de modalidade múltipla são detalhadas aqui http://jeffduda.github.io/NeuroBattery/, juntamente com um conjunto de dados e modelo de exemplo que podem ser usados para verificar a reprodutibilidade do procedimento. Isto é repetido para cada indivíduo em uma população. Nós agora fornecemos uma visão geral das etapas de processamento para T1 e, em seguida, para cada modalidade. A figura 1 resume o gasoduto completo.

T1 cérebro extração

Cérebro extração usando Formigas combina modelo priores, de alto desempenho de imagem cerebral registration33, e Atropos32 com topológica refinamentos com base na morfologia matemática, conforme descrito na ref. 29 e implementadas em antsBrainExtraction.sh. an example use case is here https://github.com/ntustison/antsBrainExtractionExample (this is a pedagogical usage example, not an archived dataset or published software). Brevemente, nesta fase, usamos um registro grosseiro e relativamente rápido para calcular uma dobra entre a imagem de cabeça inteira do modelo e o assunto de interesse. Isso nos permite distorcer uma extração cerebral probabilística do modelo para o espaço sujeito. O mapa de probabilidade de modelo deformado é reduzido a 0,5 e a máscara resultante é dilatada com um raio de 2. Atropos é então usado para gerar uma estimativa inicial de segmentação de 3 tecidos dentro da região da máscara. Cada uma das três máscaras de tecido passam por operações morfológicas específicas que são então combinadas para criar uma máscara de extração cerebral para uso no resto do fluxo de trabalho de espessura cortical. A comparison using open access brain data with publicly available brain extraction algorithms including AFNI’s 3dIntracranial55, FSL’s BET2 (ref. 56), Freesurfer’s mri_watershed57, and BrainSuite58 demonstrated that our combined registration/segmentation approach47 performs at the top level alongside BrainSuite (tuned) and FreeSurfer.o nosso procedimento de segmentação alavanca dois métodos que são guiados por priores anatómicos e que trabalham em conjunto para dividir o cérebro em seis classes anatómicas / tecidulares: líquido cefalorraquidiano, matéria cinzenta cortical, matéria cinzenta profunda, matéria branca, tronco cerebral e cerebelo. Estes priores de tecido são mapeados pela primeira vez para o espaço do sujeito, realizando um registro Sinalístico de grande deformação entre o cerebro modelo e o cerebro sujeito individual, como em ref 37, 42, 59. The deformed template priors are then used to guide expectation-maximization (EM) segmentation (Atropos prior-based segmentation32) alternated with inhomogeneity correction via the N4 bias field correction algorithm34. O nome N4 deriva do fato de que é uma melhoria sobre o clássico algoritmo N360. Atropos refere-se a uma figura na mitologia grega que empunhava “tesouras do destino”; no caso de segmentação, as tesouras referem-se a dividir a imagem em partes. Devido à interação importante entre a segmentação e correção de viés, realizamos múltiplas iterações n4 ⇔ Atropos. A fim de melhor integrar Atropos e N4, usamos uma máscara de peso de probabilidade de tecido puro gerado a partir das probabilidades posteriores geradas a partir do processo de segmentação. Este procedimento é descrito mais pormenorizadamente nos ref 29 e 32. Um conjunto de dados de segmentação de exemplo reprodutível e uma linha de comandos para o método ANTs antsAtroposN4.sh is here https://github.com/ntustison/antsAtroposN4Example (this is a pedagógic usage example, not an archived dataset or published software).

DiReCT (aka KellySlater/KellyKapowski) cortical thickness estimation

Brain segmentation enables us to compute cortical thickness via the Diffeomorphic Registration-based Cortical Thickness (DiReCT) algorithm. O DiReCT foi introduzido no ref. 61 e disponibilizados em formigas com o programa KellySlater. Desde então, várias melhorias foram feitas e incorporadas ao programa KellyKapowski, em particular determinando um conjunto automatizado de parâmetros baseado em extensa experimentação e comparação com valores de espessura cortical de referência disponíveis na literatura. Mais importante ainda, recentemente mostramos que estes métodos superam a package62 FreeSurfer em termos de extrair informações da espessura cortical que é preditiva do sexo e da idade em uma grande coleção de neuroimagens ao longo da vida. Entre os avanços mais significativos é que a implementação mais recente é multi-threaded, escrito em rigoroso estilo de codificação ITK, e foi disponibilizado ao público através de formigas completo com um design de interface de usuário único desenvolvido especificamente para Ferramentas formigas. Um exemplo de caso de uso com dados bidimensionais de referência está em https://github.com/ntustison/antsCorticalThicknessExample (este é um exemplo de uso pedagógico, não um conjunto de dados arquivados ou software publicado). Em última análise, o algoritmo direto produz uma imagem, no espaço sujeito T1, que contém medições voxel-wise de espessura cortical que são apropriadas para uso em estudos estatísticos baseados em voxel ou regiões, como em ref 50, 63-65.o passo final no nosso oleoduto T1 envolve a produção de medições sumárias para o volume total do cérebro, a segmentação dos seis tecidos e para a espessura cortical regional e lobar. Nós empregamos o labelset Aal amplamente usado para este propósito 66. Estas etiquetas são transformadas a partir do nosso espaço de modelo de grupo de alta resolução para o espaço sujeito individual seguindo o inverso do mapeamento difeomórfico modelo. A AAL contém parcelas regionais padrão do córtex, cerebelo e estruturas de matéria cinzenta profunda, incluindo o putame, tálamo, hipocampos e caudato. Para cada assunto que processamos, medimos esses volumes e a espessura média regional produzindo uma única linha de informação que é, em última análise, inserida em um arquivo demográfico sumário. Este método é utilizado não só para a realização de estudos de variáveis de coorte, mas também para a verificação inicial de dados, ou seja, para identificar indivíduos com valores de referência globais ou regionais relativamente a valores de referência conhecidos.

processamento de DTI

nosso procedimento para analisar DTI com formigas foi validado em ref. 67. Em resumo, desenvolvemos um pipeline de processamento automatizado para imagem de difusão usando as ferramentas de código aberto Camino68 e formigas, que fornece pré-processamento, extração cerebral, computação tensor de difusão, e normalização para espaço de template, bem como imagens de diagnóstico no espaço sujeito para ajudar no controle de qualidade, incluindo anisotropia fraccional, dpi média corrigida, e variância de ruído. O núcleo do método é, em primeiro lugar, processar dados no espaço DWI e, posteriormente, transformar os dados em um espaço de template individual T1 ou grupo.

o primeiro passo no processamento de DTI é realizar a correção de movimento e distorção das imagens ponderadas por difusão. A primeira imagem não ponderada na sequência de difusão é usada como a imagem de referência para correção de movimento e distorção. As imagens não ponderadas restantes são rigidamente alinhadas com a imagem de referência e médias; esta imagem média é usada como a imagem de referência para a correção afinada das imagens ponderadas pela difusão (DWI) para o movimento e distorção causadas pelos gradientes de ponderação da difusão. Uma máscara cerebral é calculada alinhando a dpi média a um modelo, e deformando a máscara cerebral template no espaço sujeito. O processamento, em seguida, continua na imagem extraída do cérebro. Tensores de difusão são calculados usando um algoritmo iterativo de mínimos quadrados lineares ponderados 69.

A DTI transformada é distorcida para o espaço-modelo, combinando o DWI intratubente para T1 warp com a urdidura previamente definida para normalizar a imagem T1 do sujeito para o espaço-modelo. A orientação anatômica correta dos tensores de difusão é preservada aplicando a preservação do método da direção principal 70, e estatísticas escalares como FA e difusividade média são computadas a partir dos tensores de difusão normalizados.

estimar variáveis incómodas em imagens funcionais

várias etapas são comuns ao processamento de IRM funcional a negrito ou ASL. Estes incluem extração cerebral, correção de movimento e estimativa variável incômoda. Ao longo dos últimos um a dois anos, introduzimos métodos em formigas para estimar estes parâmetros a partir de dados de séries cronológicas 4D. A correção de movimento é realizada pelo programa antsMotionCorr em formigas que usa uma métrica de similaridade de informação mútua e um otimizador de gradiente não-linear conjugado para maximizar a similaridade Afina ou rígida entre cada imagem em uma série temporal e uma sequência específica de referência. Estes métodos são baseados na versão 4 do Insight ToolKit, como descrito em ref. 71. Os parâmetros de movimento para cada período de tempo são escritos para um arquivo CSV, de modo que eles podem ser resumidos e possivelmente usados como variáveis de incômodo dentro de estatísticas de nível populacional72. Fazemos escolhas diferentes de imagem de referência para cada modalidade. Para negrito, nós escolhemos a imagem média a partir da série de tempo completo. Para CASL e pCASL, nós escolhemos o controle médio marcado imagem. Para a PASL, usamos a imagem M0 adquirida. Uma máscara cerebral é computada por um procedimento simples de morfologia (erosão morfológica seguida pela maior seleção de componentes e dilatação morfológica) ou alinhando a imagem de correção de movimento de referência a um modelo específico de sequência e deformando a máscara cerebral modelo para o espaço sujeito. Para o PTBP, usamos a última abordagem.o segundo maior incômodo, além do movimento, é o ruído fisiológico 73-75. Embora se deva selecionar parâmetros de incômodo ótimos para cada estudo e com base na qualidade dos dados, optamos por usar a abordagem CompCor automática e orientada a dados 75, que foi validada em ASL e BOLD e não depende da segmentação anatômica. The approach performs singular value decomposition on high temporal variance voxels and uses (typically 3 to 6) singular vectors as incômodo regressores. Estes regressores foram mostrados para capturar o movimento fisiológico, o ruído do scanner e outros fatores que não estão relacionados com o fluxo sanguíneo cerebral ou ativação ousada. Tanto a correção de movimento quanto a estimativa de CompCor com formigas são mostradas aqui https://github.com/stnava/fMRIANTs (este é um exemplo de uso pedagógico, não um conjunto de dados arquivados ou software publicado).

fluxo sanguíneo Cerebral (CBF) de ASL

perfusão Parenquimal é um parâmetro fisiológico importante na avaliação e gestão de distúrbios cerebrais, bem como um índice substituto de atividade76. A perfusão de ASL MRI também é ideal para Ensaios farmacêuticos em populações pediátricas, uma vez que permite a quantificação absoluta do CBF, é totalmente não invasiva e é potencialmente sensível à resposta ao tratamento 23. Em contraste, medições neuroanatomicamente definidas, tais como espessuras corticais 22,77,78 e FA derivam diretamente de uma propriedade física relevante do tecido cerebral fotografado e podem não capturar efeitos funcionais de curto prazo devido a intervenção ou treinamento. O PTBP estabelece a viabilidade da ASL-MRI numa faixa etária durante a qual o cérebro está a desenvolver-se rapidamente e quando podem surgir sinais precoces de futuros distúrbios neuropsiquiátricos. Este funcional medida quantitativa (versus os valores relativos fornecida pela NEGRITO) tem o potencial de revelar alterações no cérebro devido a injury79, pain80, farmacológicos intervention81,82 ou que precedem visível a mudança estrutural e pode indicar cortical reorganization83. CBF é uma medida funcional mais repetível do que BOLD84, 85, pode ser usado em análise de rede em vez de ou combinação com BOLD86 e fornece uma visão única sobre o cérebro complementar a DTI e T1.

A imagem M0 de cada sujeito, obtida como a média das imagens de controlo, foi distorcida para a imagem T1 do sujeito usando a antsIntermodalityIntrasubject.sh guião. Estas transformações foram concatenadas com a transformação sujeito-a-modelo para deformar as etiquetas de modelo para o espaço ASL nativo sujeito. A imagem M0 serviu como referência para a correção de movimento de todos os volumes de pontos temporais. Além dos regressores de movimento e incômodo descritos acima, incluímos a etiqueta ou etiqueta de controle da imagem como um regressor, com o coeficiente desse regressor correspondente à diferença média entre tag e controle. Todos os regressores foram incluídos em um esquema de regressão robusto para cálculo CBF87. A equação para o cálculo CBF pode ser encontrada em ref. 88 com uma eficiência de rotulagem de 0,85. Os detalhes completos estão disponíveis no script open-source em https://raw.github.com/stnava/ANTs/master/Scripts/antsASLProcessing.sh (isto está disponível como parte do repositório Figshare, citação de Dados 1). O valor de T1 no sangue foi ajustado para a idade e sexo como T1=(2115.6–21.5*idade-73.3*sexo) ms, onde o sexo feminino foi definido para 0 e o sexo masculino foi definido para 1, como sugerido em ref. 88.

a análise da rede com o fMRI a negrito em repouso

a análise da rede pode ser realizada com qualquer um dos três tipos de dados das séries cronológicas de entrada: standard BOLD, ASL-BOLD ou ASL-CBF. O sinal ASL-CBF pode ter vantagens sobre BOLD particularmente nas regiões orbitofronais e temporais anteriores, onde o sinal padrão negrito ocorre em 89,90. No entanto, como a análise de rede ASL-CBF é relativamente nova e temos outros métodos de validação ASL-CBF, nos concentramos na análise de rede usando a modalidade ousada de descanso do PTBP. O objetivo é extrair medições padrão da rede que podem ser avaliadas para comparação com a demografia para ajudar a estabelecer a validade da aquisição e processamento.

baseamos a nossa construção de grafos / redes nas etiquetas corticais padrão AAL que transformamos do espaço sujeito T1 para o espaço em negrito. Preferimos realizar análises no espaço ousado para minimizar as confusões associadas com a interpolação e recolocação de imagens de baixa resolução, pois estas podem influenciar os resultados de uma maneira dependente do assunto. Cada imagem a negrito é primeiramente residualizada com respeito aos parâmetros de incômodo da linha de base descritos acima, isto é, Parâmetros de movimento e vetores singulares CompCor. Para cada etiqueta AAL de interesse (aqui somente o córtex, rótulos 1-90), um sinal de tempo médio de região é calculado. Cada série cronológica é então filtrada usando o filtro Christiano-Fitzgerald 91, como implementado pela função R cffilter em pacote mFilter, para examinar uma gama de frequências apropriadas para o tipo de dados específico. Para filtragem de banda-pass, selecionamos a faixa de frequência de 0,01-0,1 Hz com base em trabalhos anteriores 92 e em análises preliminares, em alguns assuntos, da reprodutibilidade da rede. O componente de rede do pipeline de processamento está disponível na análise antsbold Network do Forms/ANTsR script.R que pressupõe que os rótulos cerebrais e os parâmetros de movimento estão disponíveis. A saída primária deste script usado na verificação de dados, abaixo, é a matriz de correlação n×n Pearson definida pela correlação entre os sinais temporais filtrados para cada uma das regiões marcadas com N.