detta dokument och alla figurer sparar Fig. 1 genereras i farten genom att sammanställa indatafilen via R-och LaTeX-tolkarna med hjälp av knitr-paketet. Detta ger produktionen pdf tillsammans med alla statistiska siffror och kvantitativa demografiska sammanfattningar.

Kohortval

provet rekryterades mellan januari 2010 och februari 2014. Totalt kohortval försökte matcha den demografiska fördelningen av barn i åldrarna 7 till 18 år i USA, baserat på amerikanska folkräkningsdata, när det gäller ras, etnicitet, kön och familjeinkomst. Data samlades in på en enda plats, Ahmanson-Lovelace Brain Mapping Center vid UCLA, av laboratoriet för funktionell MR-teknik (LOFT). Vanligtvis friska utvecklande barn mellan 7 och 18 år var inskrivna i denna studie. Uteslutningskriterier utformades för att screena ut barn: (1) med tidigare diagnostiserade medicinska tillstånd (inklusive utvecklings -, neurologiska, psykiatriska och inlärningsstörningar); (2) som uppfyllde kriterierna för en lärande / psykiatrisk störning eller neurologiskt tillstånd som inte tidigare diagnostiserats; (3) som hade utsatts för miljöförhållanden som är kända eller sannolikt påverkar normal utveckling; (4) som inte kan genomgå en MR-skanning; och 5) med begränsad engelska kunskaper (eftersom flera tester som ska administreras som en del av denna studie inte var tillgängliga på andra språk än engelska). Den fullständiga listan över uteslutningskriterier är nedan:

• utvecklings& medicinska störningar: känd utvecklingsstörning (misslyckande att trivas; PKU etc.).

• hörselnedsättning som kräver hörapparat.

• synskada (strabismus, visuellt handikapp som inte kan korrigeras med vanliga glasögon).

• Diabetes (typ i, behandlad med insulin).

• systemisk reumatologisk sjukdom (till exempel glomerulonefrit, endokardit).

• systemisk malignitet som kräver kemo – & CNS strålbehandling medfödd hjärtfel.

• neurologiska störningar, Anfallsstörning.

• CNS-infektion (till exempel meningit).

• hjärntumör.

• historia av sluten huvudskada med medvetslöshet > 5 min.

• muskeldystrofi eller myotonisk dystrofi.

• beteendemässig, psykiatrisk, & Inlärningsstörningar: schizofreni, autismspektrumstörning, bipolära störningar, återkommande allvarlig Depression, ADHD (ADHD), beteendestörning, Tourette-störning, obsessiv Komplusiv sjukdom (OCD), narkotikamissbruk.

• subscale score för barnbeteende (CBCL)<70.

• IQ-betyg <80.

• prestationspoäng >2 s.D. under åldersnormer.

• nuvarande/tidigare språkstörning (dyslexi, stamning).

• specialundervisning placering.

• Mr-kontraindikationer: metallimplantat (hängslen, stift) eller metallfragment, Pacemaker eller elektroniska medicinska implantat, klaustrofobi, graviditet.

• begränsad kunskaper i engelska.

skriftligt informerat samtycke för att delta i studien och offentliggörande av data erhölls från varje ämne och deras föräldrar enligt Institutional Review Board (IRB) vid University of California Los Angeles (UCLA) riktlinjer före IQ-bedömning och MR-skanningar.

bedömning av beteende och miljö

psykometrisk utvärdering

Wechsler förkortad Intelligensskala (WASI)30,31 administrerades till varje ämne vilket resulterade i tre kompletterande mätningar av IQ: den verbala IQ (ordförråd, Similiarities), prestanda IQ (Matrix resonemang, Block Design) och fullskalig IQ. Korrelationer mellan fullskalig IQ och verbal IQ är 0,89, mellan fullskalig IQ och prestanda IQ är 0,86 och mellan prestanda IQ och verbal IQ är 0,54.

bedömning av socioekonomisk status och föräldrabakgrund

familjeinkomst kvantifierades inom ett självrapporterat intervall definierat i USD. Fördelningen av grundläggande kohortdemografi visas i Fig. 2. Faderns och moderns utbildningsnivåer bestämdes av år av utbildning med, i denna kohort, minst åtta år med flera ämnen som har 20 års utbildning. Dessa översattes därefter till år av utbildning för båda föräldrarna, när de var tillgängliga. Ämnen gav också självrapport stege poäng på både samhället och SES skalor. Samhällsskalan identifierar ämnets upplevda sociala ställning inom sitt lokala samhälle. Stegen identifierar ämnets upplevda rikedom i förhållande till samhället som helhet. Båda underskalorna ligger i intervallet 1 till 6 där värden motsvarar stegpinnarna på stegen.

bildförvärvsmetoder

alla MR-data förvärvades på en Siemens 3 T TIM Trio-skanner med hjälp av produkten 12-kanalhuvudspole.

T1-vägt förvärv

Magnetiseringsberedda snabba förvärv Gradient Echo (MPRAGE) bilder förvärvades med hjälp av en 3D-inversionsåtervinningssekvens med TR / TE / TI=2,170/4.33/1,100 ms. upplösningen är 1-1-1-1-1-mm3 med en matrisstorlek på 256-256-192-2. Flipvinkeln = 7 kg och total skanningstid var 8: 08 min.

cerebralt blodflöde

Pseudokontinuerliga arteriella spinnmärkta (pCASL) bilder förvärvades med hjälp av gradient-echo echo-planar imaging (EPI) med TR/TE=4,000 / 12 ms. upplösningen är 3.125 3.125 6 mm (5 mm med 1 mm gap) över en 64 64 64 24 matris. 40 etikett / kontrollpar förvärvades. Generaliserad autokalibrering delvis parallellt förvärv (GRAPPA) användes med en accelerationsfaktor på 2. Märkningstiden var 1,5 s och fördröjningen efter märkningen var 1,2 s. Total bildtid var 5:30 min.

Diffusion tensor förvärv

Diffusionsviktade bilder förvärvades med single-shot multi-slice med spin-echo EPI med TR/TE=9,500/87 ms. en enda b=0 volym förvärvades längs diffusionsviktade bilder för 30 riktningar med b-värde=1,000. Upplösningen är 2-2-2-2-2-2-2-2-2-2-28-128-75-voxelmatris. Den flip vinkel=90 msk.

BOLD acquisition

Blodsyrenivåberoende (BOLD) bilder förvärvades i vilotillstånd med 2D EPI med TR/TE=2000/27 ms. upplösningen är 4 6BG 4 4BG 4 mm över en 64 6BG 64bg 25 matris och upp till 244 tidpunkter förvärvades. Den flip vinkel=80 msk. Ämnen var skyldiga att slappna av tyst medan man tittade på en fixeringspunkt.

bildbehandlingsmetoder

Vi använder avancerade Normaliseringsverktyg med R (ANTsR) http://stnava.github.io/ANTsR/ för att kontrollera, organisera och montera en databasfil med flera modaliteter som sammanfattar mätområdet som finns i PTBP. Alla skript och källkod finns i ANTsR och dess beroenden.

ANTsR (answer) är en öppen vetenskaplig analysram som syftar till att möjliggöra prediktiva biomedicinska studier som integrerar avbildningsmetoder med andra data. ANTsR löser statistiska behov med r, det statistiska beräkningsspråket, medan man använder en ANTs-kärna för bildregistrering, segmentering och mallkonstruktion32–36. Detta ramverk är unikt allmänt ändamål genom att det inte gör några antaganden om bildinnehåll eller organsystem som det tillämpas på och är lämpligt för N-dimensionella data (2-D, 3-D, 4-D). Som bevis på denna generalitet vann ANTsR tools två oberoende registreringstävlingar, en i brain MRI37 och en i lung CT38. Dessutom är ANTsR avgörande för en av de ledande gemensamma etikettfusionsmetoderna (multi-atlas segmentering) som för närvarande är tillgängliga för automatiserad anatomisk märkning39 och vann nyligen öppna tävlingar i segmentering/förutsägelse, BRATS 2013 på MICCAI 2013 (ref. 40) och SATA-utmaningarna vid MICCAI 2012 och MICCAI 2013, varav den senare använde flera metoder över arter och organsystem. Samtidigt är ramverket anpassningsbart så att det kan användas för att lösa specifika analysproblem genom att införliva förkunskaper. Vi beskriver nedan hur vi använder ANTsR till: (1) tillhandahålla en flerkanalig populationsmall som är representativ för de metoder som finns tillgängliga i PTBP; (2) Kontrollera datakvalitet och giltighet för behandlingsbeslut i varje modalitet; (3) Beräkna sammanfattande mätningar som gör det möjligt för biostatistiker och andra forskare enkel tillgång till PTBP-data utan belastning av storskalig bildbehandling. I följande avsnitt kommer vi att rapportera viktiga sammanfattande åtgärder som tjänar till att stödja giltigheten av både förvärv och efterbehandling. All programvara som används för att uppnå dessa resultat är allmänt tillgänglig med betydande ansträngningar för att dokumentera både användarfall på hög nivå och enskilda verktyg. Att släppa både data och efterbehandlingsströmmar utgör tillsammans ett öppet vetenskapligt tillvägagångssätt som alltmer erkänns som kritiskt för utvecklingen av vetenskapen41–43.

multiple modality population template

normaliserande bilder till ett standardkoordinatsystem minskar intersubject variabilitet i populationsstudier, gör att koordinater kan jämföras mellan studier och gör att man kan använda tidigare baserade segmenterings-/märkningstekniker. De senare är viktiga för vävnadssegmentering, hjärnutvinning, kortikal parcellation och funktionella eller strukturella anslutningsstudier. Olika metoder finns för att bestämma det normaliserade utrymmet, såsom valet av en befintlig mall baserad på ett enda ämne, till exempel Talairach atlas44, eller en offentligt tillgänglig Genomsnittlig grupp av ämnen, till exempel mni45-eller ICBM46-mallarna. Vi använder symmetric groupwise normalization method (SyGN) för ref. 47 som uttryckligen modellerar den geometriska komponenten i det normaliserade utrymmet under optimering för att producera hjärnbilder som representerar befolkningen som studeras både i form av anatomi och utseende av anatomi. Koppling av den inneboende symmetrin för SyN parvis registrering33 och Sygns optimerade formbaserade medelvärde av mallutseendet leder till en kraftfull ram för populationsspecifika avbildningsstudier över modalitet och arter47-51. Vi uppnår denna generella tillämpning genom att lagra befolkningsspecifik förhandsinformation inom mallutrymmet för att hjälpa till med hjärnutvinning eller andra kvantifieringssteg.

traditionellt användes detta tillvägagångssätt för enstaka modaliteter men utvidgas nyligen för flera modaliteter via kohortspecifika mallar som fångar den genomsnittliga formen och utseendet på T1, DTI och funktionella bilder, som i refs 25, 32, 49, 52. Några av dessa mallar har släppts för allmänt användning29 och inkluderar befolkningsgenomsnitt med variation över både ålder och modalitet. Även om dessa resurser är av värde följer vi filosofin att bygga en befolkningsspecifik mall för PTBP och dess metoder så att vi utnyttjar den senaste bildregistreringsmetoden.

vår mallbyggnadsprocedur konstruerar först en genomsnittlig T1-hjärnbild från hela befolkningen (n=119). Vi extraherar sedan mallhjärnan baserat på flera mallmärkning39,53, för närvarande toppmodern för automatiserad märkning. Med hjälp av en liknande procedur genererar vi probabilistiska vävnads – / strukturpriorer för var och en av de 6 vävnaderna av intresse: cortex, djup grå substans, cerebrospinalvätska, vit substans och cerebellum. En sammanfattning av mallbyggnadsproceduren finns tillgänglig, med två exempeldataset, på https://github.com/ntustison/TemplateBuildingExample (detta är ett pedagogiskt användningsexempel, inte en arkiverad dataset eller publicerad programvara). Samma metoder konstruerade mallarna tillgängliga på ref. 29 som vi använde som utgångspunkt för ptbp Anpassad vävnad tidigare generation. När den genomsnittliga bilden och priors är klar (fil PTBP.zip), kan man överföra Alla data genom en liten deformation registrering i standard MNI space54 (fil PTBP_MNI.zip).

mallbaserad bearbetning av enskilda ämne T1-bilder

en översikt över den Ant-baserade strukturella rörledningen finns i ref. 29. Med tanke på en färdig T1-mall kan vi segmentera och bearbeta de enskilda T1-data. Vi bearbetar därefter individuella modaliteter inklusive DTI, ASL och BOLD. Slutligen genererar vi de geometriska transformationerna från följeslagare till kärnan T1 anatomisk bild såväl som mallutrymmet. Vi uppnår detta efter att den fullständiga datauppsättningen för flera modaliteter har bearbetats, som beskrivs nedan. Totalt beskrivs stegen för bearbetning av en enskild datauppsättning med flera modaliteter här http://jeffduda.github.io/NeuroBattery/, tillsammans med ett exempel på datauppsättning och Mall som kan användas för att verifiera reproducerbarheten av proceduren. Detta upprepas för varje individ i en befolkning. Vi ger nu en översikt över bearbetningsstegen för T1 och sedan för varje modalitet. Figur 1 sammanfattar hela rörledningen.

T1 hjärnutvinning

hjärnutvinning med ANTs kombinerar mallpriorer, högpresterande hjärnbildsregistrering33 och Atropos32 med topologiska förfiningar baserade på matematisk morfologi, som beskrivs i ref. 29 och genomförs i antsBrainExtraction.sh. ett exempel på användningsfall är här https://github.com/ntustison/antsBrainExtractionExample (detta är ett pedagogiskt användningsexempel, inte en arkiverad dataset eller publicerad programvara). Kortfattat, i detta skede använder vi en grov och relativt snabb registrering för att beräkna en varp mellan mallen helhuvudbild och ämnet av intresse. Detta gör det möjligt för oss att förvränga en probabilistisk hjärnutvinning från mallen till ämnesutrymmet. Den förvrängda mallens sannolikhetskarta är tröskelvärde vid 0,5 och den resulterande masken utvidgas med en radie av 2. Atropos används sedan för att generera en initial 3-vävnadssegmenteringsuppskattning inom maskområdet. Var och en av de tre vävnadsmaskerna genomgår specifika morfologiska operationer som sedan kombineras för att skapa en hjärnutvinningsmask för användning i resten av arbetsflödet för kortikal tjocklek. En jämförelse med öppen åtkomst hjärndata med offentligt tillgängliga hjärnutvinningsalgoritmer inklusive AFNI: s 3DINTRACRANIAL55, FSL: s BET2 (ref. 56), freesurfer s mri_watershed57 och BrainSuite58 visade att vår kombinerade registrering / segmentering approach47 utför på toppnivå tillsammans BrainSuite (tuned) och FreeSurfer.

sex vävnadssegmentering

vår segmenteringsprocedur utnyttjar två metoder som styrs av anatomiska priorer och som arbetar i samförstånd för att parcellera hjärnan i sex anatomiska / vävnadsklasser: cerebrospinalvätska, kortikal grå substans, djupgrå substans, vit substans, hjärnstam och cerebellum. Dessa vävnadspriorer kartläggs först in i ämnesutrymmet genom att utföra en stor deformation SyN-registrering mellan mallen cerebrum och det enskilda ämnet cerebrum, som i refs 37, 42, 59. De deformerade mallpriorerna används sedan för att styra förväntan-maximering (EM) segmentering (Atropos prior-based segmentation32) alternerad med inhomogenitetskorrigering via N4 bias field correction algorithm34. Namnet N4 härrör från det faktum att det är en förbättring av den klassiska N3 algorithm60. Atropos hänvisar till en figur i grekisk mytologi som utövade ’saxar av öde’; i fallet med segmentering hänvisar saxen till att dela bilden i delar. På grund av det viktiga samspelet mellan segmentering och förspänningskorrigering utför vi flera Atropos-iterationer i N4. För att bättre integrera Atropos och N4 använder vi en ren vävnadssannolikhetsmask genererad från de bakre sannolikheterna som genereras från segmenteringsprocessen. Denna procedur beskrivs mer detaljerat i refs 29 och 32. Ett reproducerbart exempel på segmenteringsdataset och kommandoraden för ANTs-metoden antsAtroposN4.sh är här https://github.com/ntustison/antsAtroposN4Example (detta är ett pedagogiskt användningsexempel, inte en arkiverad dataset eller publicerad programvara).

direkt (aka KellySlater/KellyKapowski) uppskattning av kortikal tjocklek

Hjärnsegmentering gör det möjligt för oss att beräkna kortikal tjocklek via den Diffeomorfa Registreringsbaserade kortikaltjockleken (direkt) algoritmen. Direkt infördes i ref. 61 och görs tillgängliga i myror med programmet KellySlater. Sedan dess har flera förbättringar gjorts och införlivats i programmet KellyKapowski, i synnerhet bestämning av en automatiserad parameteruppsättning baserad på omfattande experiment och jämförelse med referens kortikala tjockleksvärden tillgängliga i litteraturen. Det är viktigt att vi nyligen visade att dessa metoder överträffar FreeSurfer-paketet62 när det gäller att extrahera information från kortikal tjocklek som är prediktiv för kön och ålder i en stor samling neuroimages över hela livslängden29. Bland de viktigaste framstegen är att den senaste implementeringen är multi-threaded, skriven i rigorös ITK-kodningsstil och har gjorts tillgänglig för allmänheten genom ANTs komplett med en unik design för användargränssnitt som utvecklats speciellt för ANTs-verktyg. Ett exempel på användning med referens tvådimensionell data är i https://github.com/ntustison/antsCorticalThicknessExample (detta är ett pedagogiskt användningsexempel, inte en arkiverad dataset eller publicerad programvara). I slutändan producerar den direkta algoritmen en bild, i ämne T1-utrymme, som innehåller voxelvisa mätningar av kortikal tjocklek som är lämpliga för användning i voxelbaserade eller regionbaserade statistiska studier som i refs 50, 63-65.

Regional hjärnmärkning med Aal-etiketter

det sista steget i vår T1-pipeline innebär att man producerar sammanfattande mätningar för Total hjärnvolym, de sex vävnadssegmenteringen och för regional och lobar kortikal tjocklek. Vi använder den allmänt använda Aal labelset för detta ändamål66. Dessa etiketter omvandlas från vårt högupplösta gruppmallutrymme till det enskilda ämnesutrymmet genom att följa inversen av mallen diffeomorf kartläggning. AAL innehåller standard regionala parcellationer av cortex, cerebellum och djupa gråmaterialstrukturer inklusive putamen, thalamus, hippocampi och caudat. För varje ämne som vi behandlar mäter vi dessa volymer och regional genomsnittlig tjocklek som producerar en enda rad information som i slutändan matas in i en sammanfattande demografisk fil. Detta används inte bara för att utföra studier av kohortvariabler utan också för initial datakontroll det vill säga att identifiera ämnen med globala eller regionala outliervärden med avseende på kända referensvärden.

DTI-bearbetning

vårt förfarande för att analysera DTI med myror validerades i ref. 67. I korthet har vi utvecklat en automatiserad processledning för diffusionsavbildning med hjälp av Open source-verktygen Camino68 och myror, som ger förbehandling, hjärnutvinning, diffusionsensorberäkning och normalisering till mallutrymme, samt diagnostiska bilder i ämnesutrymmet för att underlätta kvalitetskontroll, inklusive fraktionerad anisotropi, Genomsnittlig korrigerad DWI och brusvarians. Kärnan i metoden är att först bearbeta data i DWI-utrymme och därefter omvandla data till individuellt T1-eller gruppmall-utrymme.

det första steget i DTI-bearbetning är att utföra rörelse-och distorsionskorrigering av diffusionsviktade bilder. Den första ovägda bilden i diffusionssekvensen används som referensbild för rörelse-och distorsionskorrigering. De återstående ovägda bilderna är styvt inriktade på referensbilden och medelvärdet; denna genomsnittliga bild används som referensbild för affinkorrigering av diffusionsviktade bilder (DWI) för rörelse och distorsion orsakad av diffusionsviktningsgradienterna. En hjärnmask beräknas genom att anpassa den genomsnittliga DWI till en mall och vrida mallen hjärnmask i ämnesutrymmet. Bearbetningen fortsätter sedan på den hjärnutdragna bilden. Diffusionstensorer beräknas med hjälp av en iterativ viktad linjär minsta kvadratalgoritm69.

den transformerade DTI förvrängs till mallutrymmet genom att kombinera intra-subject DWI till T1-varp med varpen som tidigare definierats för att normalisera motivets T1-bild till mallutrymmet. Den korrekta anatomiska orienteringen av diffusionsensorerna bevaras genom att tillämpa bevarande av huvudriktningsmetod70, och skalärstatistik såsom FA och medeldiffusivitet beräknas från de normaliserade diffusionsensorerna.

uppskatta störningsvariabler i funktionella bilder

flera steg är vanliga för att bearbeta antingen fet eller ASL funktionell MR. Dessa inkluderar hjärnutvinning, rörelsekorrigering och störande variabel uppskattning. Under de senaste ett till två åren introducerade vi metoder i myror för att uppskatta dessa parametrar från 4D-tidsseriedata. Rörelsekorrigering utförs av antsMotionCorr-programmet i myror som använder en ömsesidig informationslikhetsmått och en icke-linjär konjugatgradientoptimerare för att maximera den affina eller styva likheten mellan varje bild i en tidsserie och en sekvensspecifik referensbild. Dessa metoder är baserade på Insight ToolKit version 4 revision, som beskrivs i ref. 71. Rörelseparametrarna för varje tidsram skrivs ut till en CSV-fil så att de kan sammanfattas och eventuellt användas som störningsvariabler inom befolkningsnivåstatistik72. Vi gör olika val av referensbild för varje modalitet. För fetstil väljer vi den genomsnittliga bilden från heltidsserien. För CASL och pCASL väljer vi den genomsnittliga kontrollmärkta bilden. För PASL använder vi den förvärvade M0-bilden. En hjärnmask beräknas antingen genom en enkel morfologiprocedur (morfologisk erosion följt av största komponentval och morfologisk utvidgning) eller genom att anpassa referensrörelsekorrigeringsbilden till en sekvensspecifik Mall och vrida mallen hjärnmask in i ämnesutrymmet. För PTBP använde vi den senare metoden.

den andra stora olägenheten, bortom rörelse, är fysiologiskt ljud73-75. Medan man bör välja optimala störningsparametrar för varje studie och baserat på datakvalitet väljer vi att använda den datadrivna och automatiska CompCor-metoden 75 som validerades i ASL och BOLD och inte förlitar sig på anatomisk segmentering. Tillvägagångssättet utför singular värde nedbrytning på hög temporal varians voxels och använder (typiskt 3 till 6) singulära vektorer som störande regressorer. Dessa regressorer visade sig fånga fysiologisk rörelse, skannerbrus och andra faktorer som inte är relaterade till cerebralt blodflöde eller djärv aktivering. Både rörelsekorrigering och CompCor-uppskattning med myror visas här https://github.com/stnava/fMRIANTs (detta är ett pedagogiskt användningsexempel, inte en arkiverad dataset eller publicerad programvara).

cerebralt blodflöde (CBF) från ASL

parenkymal perfusion är en viktig fysiologisk parameter vid utvärdering och hantering av hjärnstörningar samt ett surrogatindex för neural aktivitet76. ASL perfusion MR är också idealisk för farmaceutiska studier i pediatriska populationer eftersom det tillåter absolut CBF-kvantifiering, är helt icke-invasiv och är potentiellt känslig för behandlingssvar23. Däremot neuroanatomiskt definierade mätningar såsom kortikal tjocklek22,77, 78 och FA härrör direkt från en relevant fysisk egenskap hos den avbildade hjärnvävnaden och kan misslyckas med att fånga kortvariga funktionella effekter på grund av intervention eller träning. PTBP fastställer genomförbarheten av ASL-MR i ett åldersintervall under vilket hjärnan utvecklas snabbt och när tidiga tecken på framtida neuropsykiatriska störningar kan uppstå. Denna funktionella kvantitativa åtgärd (jämfört med de relativa värdena som tillhandahålls av BOLD) har potential att avslöja förändringar i hjärnan på grund av skada79, smärta80, farmakologisk intervention81,82 eller som föregår synlig strukturell förändring och kan indikera kortikal omorganisering83. CBF är en mer repeterbar funktionell mätning än BOLD84,85, kan användas i nätverksanalys i stället för eller kombination med BOLD86 och ger en unik syn på hjärnan som kompletterar DTI och T1.

varje motivets M0-bild, erhållen som medelvärdet av kontrollbilderna, förvrängdes till motivets T1-bild med hjälp av antsIntermodalityIntrasubject.sh manus. Dessa transformationer sammanfogades med subjekt-till-Mall-omvandlingar för att förvränga malletiketterna till det ursprungliga ASL-utrymmet. M0-bilden fungerade som referens för rörelsekorrigering av alla tidpunktsvolymer. Förutom de rörelse-och störningsregressorer som beskrivs ovan inkluderade vi antingen taggen eller kontrolletiketten för bilden som en regressor, med koefficienten för den regressorn som motsvarar den genomsnittliga skillnaden mellan tagg och kontroll. Alla regressorer inkluderades i ett robust regressionsschema för CBF-beräkning87. Ekvationen för CBF-beräkning finns i ref. 88 med en antagen märkningseffektivitet på 0,85. Fullständig information finns i Open source-skriptet på https://raw.github.com/stnava/ANTs/master/Scripts/antsASLProcessing.sh (detta är tillgängligt som en del av Figshare-arkivet, Data Citation 1). Blod T1-värdet justerades för ålder och kön som T1=(2115,6–21,5*ålder-73,3*kön) ms, där kvinnligt kön sattes till 0 och man sattes till 1, som föreslagits i ref. 88.

nätverksanalys med vilande fet fMRI

nätverksanalys kan utföras med någon av tre typer av indatatidsseriedata: standard fet, ASL-fet eller ASL-CBF. ASL-CBF-signalen kan ha fördelar jämfört med BOLD, särskilt i orbitofronal och anterior temporal regioner där standard BOLD signal dropout inträffar89,90. Men eftersom ASL-CBF – nätverksanalys är relativt ny och vi har andra metoder för att validera ASL-CBF, fokuserar vi på nätverksanalys med hjälp av vilande fet modalitet från PTBP. Målet är att extrahera standardnätverksmätningar som kan bedömas för jämförelse med demografi för att hjälpa till att fastställa giltigheten av förvärvet och bearbetningen.

Vi baserar vår graf / nätverkskonstruktion på de vanliga Aal-kortikala etiketterna som vi omvandlar från T1-ämnesutrymmet till det djärva utrymmet. Vi föredrar att utföra analys i det djärva utrymmet för att minimera förvirringarna i samband med interpolering och resampling av bilder med låg upplösning, eftersom dessa kan förspänna resultaten på ett ämnesberoende sätt. Varje fet bild återstås först med avseende på de ovan beskrivna störningsparametrarna för baslinjen, det vill säga rörelseparametrar och CompCor singulära vektorer. För varje Aal-etikett av intresse (här endast cortex, etiketter 1-90) beräknas en region-Genomsnittlig tidssignal. Varje tidsserie filtreras sedan bandpass med Christiano-Fitzgerald filtering91, som implementeras av R-funktionen cffilter i paketet mFilter, för att undersöka ett frekvensområde som är lämpligt för den specifika datatypen. För bandpassfiltrering väljer vi frekvensområdet 0,01 – 0,1 Hz baserat på tidigare arbete92 och på preliminära analyser, i några få ämnen, av nätverksreproducerbarhet. Nätverkskomponenten i processledningen finns i ANTs / ANTsR-skriptet antsBOLDNetworkAnalysis.R som antar att hjärnetiketter och rörelseparametrar är tillgängliga. Den primära utsignalen från detta skript som används vid datakontroll, nedan, är korrelationsmatrisen n ACC n Pearson definierad av korrelationen mellan de filtrerade tidssignalerna för var och en av de n-märkta regionerna.