acest document și toate figurile salvează Fig. 1 sunt generate din mers prin compilarea fișierului de intrare prin interpreții R și LaTeX folosind pachetul knitr. Aceasta produce pdf-ul de ieșire împreună cu toate cifrele statistice și rezumatele demografice cantitative.

selecție de cohorte

eșantionul a fost recrutat între ianuarie 2010 și februarie 2014. Selecția generală a cohortei a căutat să se potrivească cu distribuția demografică a copiilor cu vârste cuprinse între 7 și 18 ani în Statele Unite, pe baza datelor Recensământului SUA, în ceea ce privește rasa, etnia, sexul și venitul familiei. Datele au fost colectate într-un singur loc, Centrul de cartografiere a creierului Ahmanson-Lovelace de la UCLA, de către laboratorul de tehnologie RMN funcțională (LOFT). În acest studiu au fost înrolați copii în curs de dezvoltare sănătoși, cu vârste cuprinse între 7 și 18 ani. Criteriile de excludere au fost concepute pentru a examina copiii: (1) cu afecțiuni medicale diagnosticate anterior (inclusiv tulburări de dezvoltare, neurologice, psihiatrice și de învățare); (2) care au îndeplinit criteriile pentru o tulburare de învățare / psihiatrică sau o afecțiune neurologică care nu a fost diagnosticată anterior; (3) care au fost expuși la condiții de mediu cunoscute sau susceptibile de a avea un impact asupra dezvoltării normale; (4) care nu pot fi supuse unei scanări RMN; și 5) cu competență limitată în limba engleză (deoarece mai multe teste care trebuie administrate ca parte a acestui studiu nu au fost disponibile în alte limbi decât engleza). Lista completă a criteriilor de excludere este mai jos:

• dezvoltare & tulburări medicale: tulburare de dezvoltare cunoscută (eșecul de a prospera; PKU etc.).

• deficiențe de auz care necesită un aparat auditiv.

• insuficiență vizuală (strabism, handicap vizual care nu poate fi corectat cu ochelari obișnuiți).

• diabet (tip I, tratat cu insulină).

• boală reumatologică sistemică (de exemplu, glomerulonefrită, endocardită).

• malignitate sistemică care necesită chemo – & radioterapie SNC defect cardiac Congenital.

• tulburări neurologice, tulburări convulsive.

• infecția SNC (de exemplu, meningita).

• tumoare pe creier.

• istoric de traumatism cranian închis cu pierderea cunoștinței > 5 min.

• distrofie musculară sau distrofie miotonică.

• comportamentale, psihiatrice,& tulburări de învățare: schizofrenie, tulburare din spectrul autismului, tulburări bipolare, depresie majoră recurentă, tulburare de hiperactivitate cu Deficit de atenție (ADHD), tulburare de conduită, tulburare Tourette, tulburare obsesivă Complusivă (toc), dependență de droguri.

• scorul subscalei Child Behavior Checklist (CBCL) < 70.

• IQ rating < 80.

• scor de realizare>2 s.D. Sub normele de vârstă.

• tulburare de limbaj curent / trecut (dislexie, stuttering).

• plasament de educație specială.

• contraindicații RMN: implanturi metalice (bretele, ace) sau fragmente metalice, stimulatoare cardiace sau implanturi medicale electronice, claustrofobie, sarcină.

• competență limitată în limba engleză.

consimțământul scris în cunoștință de cauză pentru a participa la studiu și publicarea publică a datelor a fost obținut de la fiecare subiect și de la părinții lor, în conformitate cu orientările Institutional Review Board (IRB) ale Universității din California Los Angeles (UCLA) înainte de evaluarea IQ și scanările MR.

evaluarea comportamentului și a mediului

evaluarea psihometrică

scara prescurtată a inteligenței Wechsler (WASI)30,31 a fost administrată fiecărui subiect, rezultând trei măsurători complementare ale IQ: IQ-ul Verbal (vocabular, similarități), IQ-ul de performanță (raționamentul matricei, designul blocului) și IQ-ul la scară completă. Corelațiile dintre IQ-ul pe scară largă și IQ-ul verbal este de 0,89, între IQ-ul pe scară largă și IQ-ul de performanță este de 0,86, iar între IQ-ul de performanță și IQ-ul verbal este de 0,54.

evaluarea statutului socioeconomic și a contextului parental

venitul familiei a fost cuantificat într-un interval auto-raportat definit în USD. Distribuția demografiei de bază a cohortei este prezentată în Fig. 2. Nivelurile educaționale paterne și materne au fost determinate de anii de educație cu, în această cohortă, un minim de opt ani, cu mai multe discipline având 20 de ani de educație. Acestea au fost ulterior traduse în ani de educație pentru ambii părinți, atunci când sunt disponibile. Subiecții au furnizat, de asemenea, scoruri de scară de auto-raportare atât pe scara comunității, cât și pe scara SES. Scara comunitară identifică poziția socială percepută a subiectului în cadrul comunității locale. Scara-ses identifică bogăția percepută a subiectului în raport cu societatea în ansamblu. Ambele sub-scale sunt în intervalul de la 1 la 6, unde valorile corespund treptelor de pe scară.

metode de achiziție a imaginilor

toate datele RMN au fost achiziționate pe un scaner Siemens 3 T Tim Trio folosind bobina capului cu 12 canale a produsului.

achiziție ponderată T1

imaginile cu ecou gradient de achiziție rapidă (Mprage) pregătite pentru magnetizare au fost achiziționate folosind o secvență de recuperare a inversiunii 3D cu TR / TE/TI = 2,170/4.33/1,100 ms. rezolutia este de 1 CTF 1 CTF 1 mm3 cu dimensiunea matricei de 256 CTF 256 CTF 192. Unghiul de răsturnare=7 inqut și timpul total de scanare a fost de 8: 08 min.

flux sanguin Cerebral

Pseudo Spin arterial continuu marcat (pCASL) imaginile au fost achiziționate folosind gradient-echo imaging echo-planar (EPI) cu TR/te=4.000 / 12 ms. rezoluția este 3.125 3.125 3.125 6 mm (5 mm cu decalaj de 1 mm) peste o matrice 64 64 64 24. Au fost achiziționate 40 de perechi de etichete / control. S-a utilizat achiziția parțial paralelă de Autocalibrare generalizată (GRAPPA) cu un factor de accelerație de 2. Durata etichetării a fost de 1,5 s, iar întârzierea post-etichetare a fost de 1,2 s. Timpul total de imagistică a fost de 5:30 min.

achiziția tensorului de difuzie

imaginile ponderate de difuzie au fost achiziționate cu o singură lovitură multi-felie folosind EPI spin-echo cu TR/TE=9.500 / 87 ms. un singur volum b=0 a fost achiziționat de-a lungul imaginilor ponderate de difuzie pentru 30 de direcții cu valoarea b=1.000. Rezolutia este de 2,2,2,2 mm cu dimensiunea matricei de 128,128,75 voxeli. Unghiul de răsturnare = 90 int.

achiziție BOLD

imaginile dependente de nivelul de oxigen din sânge (BOLD) au fost achiziționate în stare de repaus folosind EPI 2D cu TR/TE=2.000 / 27 ms. rezoluția este de 4 octombrie 4 octombrie 4 mm peste o matrice de 64 octombrie 64 octombrie 25 și au fost dobândite până la 244 de puncte de timp. Unghiul de răsturnare = 80 int. Subiecții au fost obligați să se relaxeze în liniște în timp ce se uită la un punct de fixare.

metode de procesare a imaginilor

folosim instrumente avansate de normalizare cu R (ANTsR)http://stnava.github.io/ANTsR/ pentru a verifica, organiza și asambla un fișier de baze de date cu modalități multiple care rezumă gama de măsurători disponibile în PTBP. Toate scripturile și codul sursă sunt disponibile în ANTsR și dependențele sale.

ANTsR (răspuns) este un cadru de analiză științifică deschisă care urmărește să permită studii biomedicale predictive care integrează modalitățile de imagistică cu alte date. ANTsR rezolvă nevoile statistice cu R, limbajul de calcul statistic, în timp ce utilizează un nucleu ANTs pentru înregistrarea imaginilor, segmentarea și construcția șablonelor32–36. Acest cadru are un scop general unic prin faptul că nu face presupuneri cu privire la conținutul imaginii sau la sistemele de organe la care este aplicat și este adecvat pentru datele n-dimensionale (2-D, 3-D, 4-D). Ca dovadă a acestei Generalități, ANTsR tools a câștigat două concursuri independente de înregistrare, una în brain MRI37 și una în lung CT38. În plus, ANTsR este esențială pentru una dintre cele mai importante metode comune de fuziune a etichetelor (segmentare multi-atlas) disponibile în prezent pentru etichetarea anatomică automată39 și a câștigat recent competiții deschise în segmentare/predicție, BRATS 2013 la MICCAI 2013 (ref. 40) și provocările SATA de la MICCAI 2012 și MICCAI 2013, acesta din urmă folosind mai multe modalități între specii și sisteme de organe. În același timp, cadrul este personalizabil astfel încât să poată fi utilizat pentru a rezolva probleme specifice de analiză prin încorporarea cunoștințelor anterioare. Descriem, mai jos, modul în care folosim ANTsR pentru a: (1) să furnizeze un model de populație multi-canal reprezentativ pentru modalitățile disponibile în PTBP; (2) să verifice calitatea datelor și validitatea deciziilor de prelucrare în fiecare modalitate; (3) să calculeze măsurători sumare care să permită biostatiștilor și altor cercetători un acces ușor la datele PTBP, fără sarcina procesării imaginilor la scară largă. În secțiunea următoare, vom raporta măsurile sumare cheie care servesc la susținerea validității atât a achiziției, cât și a post-procesării. Toate programele software utilizate pentru a obține aceste rezultate sunt disponibile publicului, cu eforturi semnificative depuse pentru a documenta atât cazurile de utilizare la nivel înalt, cât și instrumentele individuale. Eliberarea atât a datelor, cât și a fluxurilor de post-procesare, împreună, constituie o abordare a științei deschise, recunoscută din ce în ce mai mult ca fiind critică pentru progresul științei41-43.

șablon de populație cu modalități Multiple

normalizarea imaginilor la un sistem standard de coordonate reduce variabilitatea intersubiectivă în studiile populației, permite compararea coordonatelor între studii și permite utilizarea tehnicilor de segmentare / etichetare bazate anterior. Acestea din urmă sunt importante pentru segmentarea țesuturilor, extracția creierului, parcelarea corticală și studiile de conectivitate funcțională sau structurală. Există diverse abordări pentru determinarea spațiului normalizat, cum ar fi selectarea unui șablon preexistent bazat pe un singur subiect, de exemplu, talairach atlas44, sau un grup mediu disponibil public de subiecți, de exemplu, șabloanele MNI45 sau ICBM46. Folosim metoda de normalizare simetrică în grup (sygn) a ref. 47 care modelează în mod explicit componenta geometrică a spațiului normalizat în timpul optimizării pentru a produce imagini ale creierului care reprezintă populația studiată atât în ceea ce privește forma anatomiei, cât și aspectul anatomiei. Cuplarea simetriei intrinseci a înregistrării în perechi Syn33 și medierea optimizată bazată pe formă a aspectului șablonului de către SyGN conduce la un cadru puternic pentru studii de imagistică specifice populației între modalități și specii47-51. Realizăm această generalitate de aplicare prin stocarea informațiilor anterioare specifice populației în spațiul șablonului pentru a ajuta la extragerea creierului sau la alte etape de cuantificare.

în mod tradițional, această abordare a fost utilizată pentru modalități unice, dar, mai recent, este extinsă pentru Modalități multiple prin șabloane specifice cohortei care surprind forma și aspectul mediu al imaginilor T1, DTI și funcționale, ca în refs 25, 32, 49, 52. Unele dintre aceste șabloane au fost lansate pentru uz public29 și includ medii ale populației cu variații atât în funcție de vârstă, cât și de modalitate. În timp ce aceste resurse sunt de valoare, urmăm filosofia construirii unui șablon specific populației pentru PTBP și modalitățile sale, astfel încât să profităm de cea mai recentă metodologie de înregistrare a imaginilor.

procedura noastră de construire a șabloanelor construiește mai întâi o imagine medie a creierului T1 din întreaga populație (n=119). Apoi extragem creierul șablonului pe baza etichetării cu mai multe șabloane39,53, în prezent starea de ultimă oră pentru etichetarea automată. Folosind o procedură similară, generăm priors de țesut/structură probabilistică pentru fiecare dintre cele 6 țesuturi de interes: cortexul, materia cenușie profundă, lichidul cefalorahidian, materia albă și cerebelul. Un rezumat al procedurii de construire a șabloanelor este disponibil, cu două seturi de date exemplu, la https://github.com/ntustison/TemplateBuildingExample (acesta este un exemplu de utilizare pedagogică, nu un set de date arhivat sau un software publicat). Aceleași metode construite șabloanele disponibile la ref. 29 pe care l-am folosit ca punct de plecare pentru generația anterioară de țesut personalizat PTBP. Odată ce imaginea medie și priors sunt finalizate (fișier PTBP.zip), se poate transfera toate datele printr-o înregistrare deformare mică în standardul MNI space54 (fișier PTBP_MNI.zip).

procesarea pe bază de șablon a imaginilor individuale ale subiectului T1

o prezentare generală a conductei structurale pe bază de furnici este disponibilă în ref. 29. Având în vedere un șablon T1 finalizat, suntem capabili să segmentăm și să procesăm datele T1 individuale. Ulterior procesăm modalități individuale, inclusiv DTI, ASL și BOLD. În cele din urmă, generăm transformările geometrice de la modalitățile însoțitoare la imaginea anatomică core T1, precum și spațiul șablonului. Realizăm acest lucru după ce setul complet de date privind modalitățile multiple este procesat, așa cum este descris mai jos. În total, pașii implicați pentru procesarea unui set de date cu modalități multiple individuale sunt detaliate aici http://jeffduda.github.io/NeuroBattery/, împreună cu un exemplu de set de date și șablon care pot fi utilizate pentru a verifica reproductibilitatea procedurii. Acest lucru se repetă pentru fiecare individ dintr-o populație. Acum oferim o imagine de ansamblu a etapelor de procesare pentru T1 și apoi pentru fiecare modalitate. Figura 1 rezumă conducta completă.

T1 extragerea creierului

extragerea creierului folosind furnici combină priors șablon, înregistrare de înaltă performanță a imaginii brain33, și Atropos32 cu rafinamente topologice bazate pe morfologie matematică, așa cum este descris în ref. 29 și implementat în antsBrainExtraction.sh. un exemplu de utilizare este aicihttps://github.com/ntustison/antsBrainExtractionExample (acesta este un exemplu de utilizare pedagogică, nu un set de date arhivat sau un software publicat). Pe scurt, în această etapă, folosim o înregistrare grosieră și relativ rapidă pentru a calcula o urzeală între imaginea întregului șablon și subiectul de interes. Acest lucru ne permite să deformăm o extragere probabilistică a creierului din șablon în spațiul subiectului. Harta probabilității șablonului deformat este pragată la 0,5 și masca rezultată este dilatată cu o rază de 2. Atropos este apoi utilizat pentru a genera o estimare inițială de segmentare cu 3 țesuturi în regiunea măștii. Fiecare dintre cele trei măști de țesut suferă operații morfologice specifice, care sunt apoi combinate pentru a crea o mască de extracție a creierului pentru utilizare în restul fluxului de lucru al grosimii corticale. O comparație folosind datele creierului cu acces deschis cu algoritmi de extracție a creierului disponibili publicului, inclusiv 3DINTRACRANIAL55 AFNI, BET2 FSL (ref. 56), mri_watershed57 de la Freesurfer și BrainSuite58 au demonstrat că abordarea noastră combinată de înregistrare / segmentare47 funcționează la cel mai înalt nivel alături de BrainSuite (tuned) și FreeSurfer.

șase segmentare tisulară

procedura noastră de segmentare utilizează două metode care sunt ghidate de antecedente anatomice și care lucrează în mod concertat pentru a parcela creierul în șase clase anatomice / țesuturi: lichidul cefalorahidian, materia cenușie corticală, materia cenușie profundă, materia albă, tulpina creierului și cerebelul. Aceste priori de țesut sunt mapate mai întâi în spațiul subiectului prin efectuarea unei înregistrări SyN de deformare mare între cerebrul șablon și cerebrumul subiect individual, ca în refs 37, 42, 59. Prioritățile șablonului deformat sunt apoi utilizate pentru a ghida segmentarea maximizării așteptărilor (EM) (segmentarea bazată pe Atropos prior32) alternată cu corectarea neomogenității prin algoritmul de corecție a câmpului de polarizare N434. Numele N4 derivă din faptul că este o îmbunătățire a algoritmului clasic N360. Atropos se referă la o figură din mitologia greacă care mânuia foarfecele destinului; în cazul segmentării, foarfecele se referă la împărțirea imaginii în părți. Datorită interacțiunii importante dintre segmentare și corectarea părtinirii, efectuăm mai multe iterații Atropos N4-uri. Pentru a integra mai bine Atropos și N4, folosim o mască de greutate a probabilității țesutului pur generată din probabilitățile posterioare generate de procesul de segmentare. Această procedură este descrisă mai detaliat în refs 29 și 32. Un exemplu reproductibil set de date de segmentare și linie de comandă pentru metoda furnicilor antsAtroposN4.sh este aicihttps://github.com/ntustison/antsAtroposN4Example (acesta este un exemplu de utilizare pedagogică, nu un set de date arhivat sau un software publicat).

direct (aka kellyslater/KellyKapowski) estimarea grosimii corticale

segmentarea creierului ne permite să calculăm grosimea corticală prin algoritmul de grosime corticală (directă) bazat pe Înregistrare Difeomorfă. DiReCT a fost introdus în ref. 61 și puse la dispoziție în furnici cu programul KellySlater. De atunci au fost făcute mai multe îmbunătățiri și încorporate în programul KellyKapowski, în special determinarea unui set de parametri automatizați pe baza experimentării extinse și a comparației cu valorile de referință ale grosimii corticale disponibile în literatura de specialitate. Foarte important, am arătat recent că aceste metode depășesc pachetul Freesurfer62 în ceea ce privește extragerea informațiilor din grosimea corticală care este predictivă pentru sex și vârstă într-o mare colecție de neuroimagini de-a lungul duratei de viață29. Printre cele mai semnificative progrese se numără faptul că implementarea mai recentă este multi-threaded, scrisă într-un stil riguros de codificare ITK și a fost pusă la dispoziția publicului prin furnicile completate cu un design unic de interfață de utilizator dezvoltat special pentru instrumentele ANTs. Un exemplu de utilizare cu date bidimensionale de referință este în https://github.com/ntustison/antsCorticalThicknessExample (acesta este un exemplu de utilizare pedagogică, nu un set de date arhivat sau un software publicat). În cele din urmă, algoritmul DiReCT produce o imagine, în spațiul subiectului T1, care conține măsurători voxel-wise ale grosimii corticale care sunt adecvate pentru utilizare în studii statistice bazate pe voxel sau pe regiuni ca în refs 50, 63-65.

etichetarea regională a creierului cu etichete AAL

etapa finală a conductei noastre T1 implică producerea de măsurători sumare pentru volumul total al creierului, segmentarea a șase țesuturi și pentru grosimea corticală regională și lobară. Utilizăm setul de etichete Aal utilizat pe scară largă în acest scop66. Aceste etichete sunt transformate din spațiul nostru șablon de grup de înaltă rezoluție în spațiul subiect individual urmând inversul mapării difeomorfe șablon. Aal conține parcelări regionale standard ale cortexului, cerebelului și structurilor de materie cenușie profundă, inclusiv putamenul, talamusul, hipocampul și caudatul. Pentru fiecare subiect pe care îl procesăm, măsurăm aceste volume și grosimea medie regională producând un singur rând de informații care este în cele din urmă introdus într-un fișier demografic rezumat. Aceasta este utilizată nu numai pentru efectuarea studiilor variabilelor de cohortă, ci și pentru verificarea inițială a datelor, adică identificarea subiecților cu valori outlier globale sau regionale în raport cu valorile de referință cunoscute.

prelucrare DTI

procedura noastră de analiză DTI cu furnici a fost validată în ref. 67. Pe scurt, am dezvoltat o conductă de procesare automată pentru imagistica prin difuzie folosind instrumentele open source Camino68 și ANTs, care oferă pre-procesare, extragerea creierului, calculul tensorului de difuzie și normalizarea spațiului șablonului, precum și imagini de diagnosticare în spațiul subiectului pentru a ajuta la controlul calității, inclusiv anizotropia fracționată, DWI mediu corectat și varianța zgomotului. Nucleul metodei este, în primul rând, prelucrarea datelor în spațiul DWI și, ulterior, transformarea datelor în spațiu individual T1 sau șablon de grup.

primul pas în procesarea DTI este de a efectua corectarea mișcării și distorsiunii imaginilor ponderate prin difuzie. Prima imagine neponderată din secvența de difuzie este utilizată ca imagine de referință pentru corectarea mișcării și distorsiunii. Imaginile rămase neponderate sunt aliniate rigid la imaginea de referință și medii; această imagine medie este utilizată ca imagine de referință pentru corecția afină a imaginilor ponderate prin difuzie (DWI) pentru mișcare și distorsiune cauzate de gradienții de ponderare prin difuzie. O mască a creierului este calculată prin alinierea DWI medie la un șablon și deformarea măștii creierului șablonului în spațiul subiectului. Procesarea continuă apoi pe imaginea extrasă de creier. Tensorii de difuzie sunt calculați folosind un algoritm liniar ponderat iterativ69.

DTI-urile transformate sunt deformate în spațiul șablonului prin combinarea DWI intra-subiect la Urzeala T1 cu Urzeala definită anterior pentru a normaliza imaginea T1 a subiectului în spațiul șablonului. Orientarea anatomică corectă a tensorilor de difuzie este păstrată prin aplicarea metodei de conservare a direcției principale70, iar statisticile scalare precum FA și difuzivitatea medie sunt calculate din tensorii de difuzie normalizați.

estimarea variabilelor de neplăcere în imaginile funcționale

Mai multe etape sunt comune procesării RMN-ului funcțional BOLD sau ASL. Acestea includ extracția creierului, corectarea mișcării și estimarea variabilă a neplăcerilor. În ultimii unu până la doi ani, am introdus metode în furnici pentru estimarea acestor parametri din datele seriilor de timp 4D. Corecția mișcării este efectuată de programul antsMotionCorr din furnicile care utilizează o metrică de similitudine a informațiilor reciproce și un optimizator de gradient conjugat neliniar pentru a maximiza asemănarea afină sau rigidă între fiecare imagine dintr-o serie de timp și o imagine de referință specifică secvenței. Aceste metode se bazează pe versiunea Insight ToolKit 4 revizuire, așa cum este descris în ref. 71. Parametrii de mișcare pentru fiecare interval de timp sunt scrise într-un fișier CSV, astfel încât acestea pot fi rezumate și, eventual, utilizate ca variabile pacoste în Statisticile la nivel de populație72. Facem alegeri diferite de imagine de referință pentru fiecare modalitate. Pentru BOLD, alegem imaginea medie din seria de timp complet. Pentru CASL și pCASL, alegem imaginea etichetată cu control mediu. Pentru PASL, folosim imaginea M0 achiziționată. O mască a creierului este calculată fie printr-o procedură morfologică simplă (eroziune morfologică urmată de cea mai mare selecție a componentelor și dilatare morfologică), fie prin alinierea imaginii de corecție a mișcării de referință la un șablon specific secvenței și deformarea măștii creierului șablonului în spațiul subiectului. Pentru PTBP, am folosit ultima abordare.a doua problemă majoră, dincolo de mișcare, este zgomotul fiziologic73–75. În timp ce ar trebui să selectăm parametrii optimi de neplăcere pentru fiecare studiu și pe baza calității datelor, alegem să folosim abordarea CompCor bazată pe date și automată75 care a fost validată în ASL și BOLD și nu se bazează pe segmentarea anatomică. Abordarea efectuează descompunerea valorii singulare pe voxeli cu varianță temporală ridicată și utilizează (de obicei 3 până la 6) vectori singulari ca regresori de neplăcere. S-a demonstrat că acești regresori captează mișcarea fiziologică, zgomotul scanerului și alți factori care nu au legătură cu fluxul sanguin cerebral sau activarea îndrăzneață. Atât corecția mișcării, cât și estimarea CompCor cu furnicile sunt prezentate aici https://github.com/stnava/fMRIANTs (acesta este un exemplu de utilizare pedagogică, nu un set de date arhivat sau un software publicat).

fluxul sanguin Cerebral (CBF) din ASL

perfuzia parenchimatoasă este un parametru fiziologic important în evaluarea și gestionarea tulburărilor cerebrale, precum și un indice surogat al activității neuronale76. RMN-ul de perfuzie ASL este, de asemenea, ideal pentru studiile farmaceutice la populațiile pediatrice, deoarece permite cuantificarea absolută a CBF, este total neinvazivă și este potențial sensibilă la răspunsul la tratament23. În schimb, măsurătorile definite neuroanatomic,cum ar fi grosimea cortică22,77, 78 și FA, derivă direct dintr-o proprietate fizică relevantă a țesutului cerebral imaginat și pot să nu surprindă efecte funcționale pe termen scurt datorită intervenției sau antrenamentului. PTBP stabilește fezabilitatea ASL-RMN într-un interval de vârstă în care creierul se dezvoltă rapid și când pot apărea semne timpurii ale viitoarelor tulburări neuropsihiatrice. Această măsură cantitativă funcțională (față de valorile relative furnizate de BOLD) are potențialul de a dezvălui modificări ale creierului datorate leziunii79, durere80, intervenție farmacologică81,82 sau care preced schimbările structurale vizibile și pot indica reorganizarea cortică83. CBF este o măsurătoare funcțională mai repetabilă decât BOLD84, 85, poate fi utilizată în analiza rețelei în locul sau în combinație cu BOLD86 și oferă o vedere unică asupra creierului complementar DTI și T1.

Imaginea M0 a fiecărui subiect, obținută ca medie a imaginilor de control, a fost deformată la imaginea T1 a subiectului folosind antsIntermodalityIntrasubject.sh scenariu. Aceste transformări au fost concatenate cu transformările subiect-șablon pentru a deforma etichetele șablonului în spațiul ASL nativ subiect. Imaginea M0 a servit ca referință pentru corectarea mișcării tuturor volumelor punctului de timp. Pe lângă regresoarele de mișcare și neplăceri descrise mai sus, am inclus fie eticheta, fie eticheta de control a imaginii ca regresor, cu coeficientul acelui regresor corespunzând diferenței medii dintre etichetă și control. Toți regresorii au fost incluși într-o schemă de regresie robustă pentru calculul CBF87. Ecuația pentru calculul CBF poate fi găsită în ref. 88 cu o eficiență de etichetare presupusă de 0,85. Detaliile complete sunt disponibile în scriptul open-source la https://raw.github.com/stnava/ANTs/master/Scripts/antsASLProcessing.sh (acesta este disponibil ca parte a repository-ului Figshare, Data Citation 1). Valoarea T1 a sângelui a fost ajustată pentru vârstă și sex ca T1=(2115,6–21,5*vârstă-73,3*sex) SM, unde sexul feminin a fost setat la 0 și bărbatul a fost setat la 1, așa cum se sugerează în ref. 88.

Analiza rețelei cu fMRI bold în repaus

analiza rețelei poate fi efectuată cu oricare dintre cele trei tipuri de date din seriile de timp de intrare: standard BOLD, ASL-BOLD sau ASL-CBF. Semnalul ASL-CBF poate avea avantaje față de BOLD, în special în regiunile temporale orbitofronale și anterioare,unde apare abandonul standard al semnalului BOLD89, 90. Cu toate acestea, deoarece analiza rețelei ASL-CBF este relativ nouă și avem alte metode de validare a ASL-CBF, ne concentrăm pe analiza rețelei folosind modalitatea BOLD de repaus din PTBP. Scopul este de a extrage măsurători standard de rețea care pot fi evaluate pentru comparație cu datele demografice pentru a ajuta la stabilirea validității achiziției și procesării.

ne bazăm construcția graficului / rețelei pe etichetele corticale Aal standard pe care le transformăm din spațiul subiectului T1 în spațiul îndrăzneț. Preferăm să efectuăm analize în spațiul îndrăzneț pentru a minimiza confuziile asociate cu interpolarea și reeșantionarea imaginilor cu rezoluție mică, deoarece acestea pot influența rezultatele într-o manieră dependentă de subiect. Fiecare imagine îndrăzneață este mai întâi rezidualizată în raport cu parametrii de bază de neplăcere descriși mai sus, adică parametrii de mișcare și vectorii singulari CompCor. Pentru fiecare etichetă Aal de interes (aici doar cortexul, etichetele 1-90), se calculează un semnal de timp mediu în regiune. Fiecare serie de timp este apoi filtrată cu ajutorul filtrării Christiano-Fitzgerald91, implementată de funcția r cffilter în pachetul mfilter, pentru a examina o gamă de frecvențe adecvate tipului de date specific. Pentru filtrarea band-pass, selectăm intervalul de frecvență 0,01-0,1 Hz pe baza lucrărilor prealabile92 și a analizelor preliminare, la câteva subiecte, ale reproductibilității rețelei. Componenta de rețea a conductei de procesare este disponibilă în scriptul ANTs/ANTsR antsBOLDNetworkAnalysis.R care presupune că etichetele creierului și parametrii de mișcare sunt disponibile. Ieșirea primară a acestui script utilizat în verificarea datelor, de mai jos, este N matrice de corelație n Pearson definită de corelația dintre semnalele de timp filtrate pentru fiecare dintre regiunile n etichetate.