복셀 선택

최근 뉴스

Sep 19, 2023

10 오버

Mar 29, 2023

대서양 연안에서 가장 매력적인 도시 11곳

Mar 31, 2023

야간 행아웃을 위한 27가지 야외 홈 제품

Nov 03, 2023

야간 행아웃을 위한 27가지 야외 홈 제품

May 16, 2023

5개들이로 구성된 실용적인 여름 제품 30개

문의 보내기

제출하다

Dec 21, 2023

커뮤니케이션 생물학 볼륨

커뮤니케이션 생물학 5권, 기사 번호: 913(2022) 이 기사 인용

2521 액세스

4 인용

9 알트메트릭

측정항목 세부정보

기초 및 임상 신경과학은 자동화된 계산 분석의 개발로 인해 엄청난 이점을 얻었습니다. VBM(Voxel-based Morphometry)을 사용하는 600개 이상의 인간 신경영상 논문이 현재 매년 출판되고 있으며 다양한 자동화 처리 파이프라인이 사용됩니다. 그러나 동일한 답이 나올지 여부는 체계적으로 평가해야 합니다. 여기에서는 두 개의 대규모 뇌 구조 데이터 세트에서 일반적으로 사용되는 4개의 VBM 파이프라인 간의 가변성을 조사했습니다. 처리된 회백질 뇌 지도의 공간적 유사성과 파이프라인 간 재현성은 파이프라인 간에 일반적으로 낮았습니다. 성별 차이와 연령 관련 변화를 조사한 결과 확인된 특정 지역 측면에서 파이프라인 간에 상당한 차이가 있는 것으로 나타났습니다. 기계 학습 기반 다변량 분석을 통해 성별과 연령을 정확하게 예측할 수 있었지만 정확도는 파이프라인마다 달랐습니다. 우리의 연구 결과는 파이프라인 단독 선택이 재현성과 해석에 심각한 문제를 제기하는 뇌 구조 마커의 상당한 가변성을 초래한다는 것을 시사합니다.

인간의 기본 및 임상 신경과학은 정신 과정과 장애에 대한 특정 뇌 시스템의 기여를 확인하는 것을 목표로 하며, 이를 위해 신경영상 접근법이 널리 사용되었습니다. 높은 공간 해상도와 비침습적 특성으로 인해 자기공명영상(MRI) 기반 뇌 구조 및 기능 평가는 가장 널리 사용되는 신경 영상 기술 중 하나가 되었습니다. 그러나 MRI 분석 워크플로우의 복잡성과 유연성, 그리고 일반적으로 사용되는 소수의 분석 소프트웨어 패키지 간의 차이로 인해 신경 영상 결과가 높은 가변성을 초래할 수 있습니다1. 이러한 가변성은 정신 과정과 정신 장애에 대한 뇌 기반 바이오마커의 정확한 매핑과 관련하여 결과의 해석에 도전합니다. 기능적 MRI(fMRI) 데이터 처리와 비교하여 T1 강조 구조 이미지의 뇌 형태 측정 분석은 처리 변형을 줄이고 테스트-재테스트 신뢰성이 더 높을 수 있습니다1,2,3,4,5,6. 그러나 분석 소프트웨어의 선택은 여전히 얻은 결과에 상당한 영향을 미칠 수 있습니다. 특정 뇌 영역이 통계적 임계값을 통과하는지 여부와 그 영역의 다양성은 구조-기능 매핑 또는 뇌 기반 바이오마커와 관련된 결과의 해석에 큰 영향을 미치며 후속 신경 영상 메타 분석의 민감도를 크게 방해할 수 있습니다. .

신경해부학 연구는 VBM(Voxel-based Morphometry)과 같은 자동화된 전산 접근법의 개발, 지역적 회백질 부피의 변화 조사, 그리고 보다 최근에 개발된 표면 기반 접근법(예: 피질 두께 검사)을 통해 엄청난 이점을 얻었습니다. VBM은 현재까지 가장 일반적으로 사용되는 뇌 구조 분석 접근법 중 하나를 나타냅니다(예: PubMed에서 "복셀 기반 형태 측정" 또는 "VBM"이라는 용어를 사용한 간단한 문헌 검색에서 6210개의 연구(https://pubmed.ncbi.nlm)가 공개되었습니다. nih.gov, 1993년부터 2020년 11월 19일까지 VBM 및 그림 S1에 묘사된 PubMed의 "피질 두께" 및 "표면적"과 같은 기타 접근법에 대한 간행물도 참조하세요. 표준화되고 고도로 자동화된 VBM 워크플로우에는 다른 뇌 조직의 회백질 분할, 표준 정위 공간으로의 정규화, 추론 통계가 적용되기 전 가우스 커널을 사용한 평활화가 포함됩니다. 해당 추론 복셀별 통계 모델은 일반적으로 (1) 지역 회백질 부피(GMV)의 그룹 간 차이(예: 환자와 대조군 또는 남성과 여성7,8,9,10) 또는 (2) 개인 간의 연관성을 결정합니다. 학습, 연령 또는 장애 관련 특성을 포함한 지역적 GMV 및 행동 표현형의 변형11,12,13,14,15,16. 중요한 차이점이나 연관성은 일반적으로 지역별 방식으로 해석됩니다. 예를 들어 특정 행동 기능을 특정 뇌 시스템에 매핑하고 어떤 뇌 영역이 연령 관련 변화를 겪는지 또는 어떤 영역이 정신 장애에 기여하는지 결정합니다. 최근에는 다변량 패턴 분석(MVPA)과 같은 기계 학습 기반 다변량 분석 접근법이 VBM 데이터에 점점 더 많이 적용되어 뇌 구조적 변이의 미묘하고 공간적으로 분산된 패턴을 감지하여 정신 장애의 바이오마커 기반 진단을 개선하고 있습니다17,18,19 . MVPA는 여러 복셀에 걸쳐 공간 패턴의 변화를 동시에 결정하는 것을 목표로 하므로 그룹 간 차이 또는 뇌 구조적 연관성을 감지하는 데 더 민감합니다. 이 접근 방식은 뇌 구조 데이터와 같은 훈련 패턴 인식 알고리즘을 기반으로 하며 새로운 데이터에 적용하여 그룹 구성원(예: 환자 대 대조군, 여성 대 남성) 또는 연속 변수의 개인 변화를 예측할 수 있습니다. 나이만큼.

female was observed in the lingual gyrus, precuneus, left hippocampus, bilateral parahippocampal cortex, olfactory cortex, left putamen, and left insula (Fig. 3a). No common regions for female > male were observed among the four pipelines. The two FSL pipelines shared only 13.16% overlap (Table 1), with overlapping higher GMV for females being located in the bilateral postcentral cortex, right angular, right inferior parietal lobule, and cerebellum (Fig. 3a). In contrast to the comparably small overlap between the pipelines, wide variations in the location and extent of the identified GMV sex-differences were observed specifically in medial prefrontal and occipital regions. For instance, whereas CAT revealed higher GMV in widespread cerebellar and limbic regions in men, FSLANAT and FSLVBM revealed higher GMV in widespread posterior/superior parietal regions in women (Fig. 3a)./p>female contrast. The right panels of a correspond to the female > male contrast. For a and d the pipelines are coded as: red = CAT, green = FSLVBM, blue = FSLANAT, light blue = sMRIPrep, additional colors visualize the overlap between the results, e.g., CAT ∩ FSLVBM = yellow, CAT ∩ FSLANAT = purple, FSLVBM ∩ FSLANAT = light blue, CAT ∩ FSLVBM ∩ FSLANAT = white and etc. b The variability of unthresholded statistical maps. The correlation values between whole-brain unthresholded statistical maps of four pipelines were computed respectively for sex differences. Only positive values are visualized for display purpose. c Decoding the functional properties of the identified brain regions of male > female (a, red = CAT, green = FSLVBM, blue = FSLANAT, no difference in sMRIPrep) using NeuroSynth. Only the top 20 functional terms are visualized. The font size reflects the size of the correlation. d Reliable brain patterns to distinguish sex differences via bootstrapping test (5000 permutations, pFDR < 0.05), and e cross-predicted accuracy of four pipelines in independent samples. The color from cold to warm indicates increasing classification accuracy (from 0.5 to 1)./p>

5, Fig. 3d), and there were wide differences in the location of predictive voxels. For instance, predictions based on CAT strongly weighted voxels in the putamen, hippocampus, middle cingulate cortex, and angular gyrus, while FSLANAT identified strongly predictive voxels in a widespread network including the superior frontal cortex, orbitofrontal cortex, pre- and postcentral cortex, insula, temporal pole, angular gyrus, and cerebellum. FSLVBM and sMRIPrep revealed generally similar findings to FSLANAT./p>86%), as well as relatively high accuracy for predicting data processed by sMRIPrep (FSLANAT: 80%, Cohen's d = 0.6437, and FSLVBM: 76%, Cohen's d = 0.7231) and CAT (FSLANAT: 72%, Cohen's d = 0.7810, and FSLVBM: 76%, Cohen's d = 0.7402). For further independent validation of the sex-predictive pattern in dataset 2 see Supplemental Results./p>5, Fig. 4c). Considerable spatial variations became apparent (Table S11), for instance, FSLANAT revealed high predictive weight for regions in the putamen, hippocampus, hypothalamus, brainstem, medial frontal cortex, middle temporal gyrus, middle frontal gyrus, and insula, while data processed with FSLVBM suggested that postcentral gyrus, superior frontal gyrus, superior temporal gyrus, and cerebellum strongly contributed to the prediction. Despite marked differences in the spatial distribution, an accurate prediction of age was possible based on data from all pipelines, as reflected by high correlations between the predicted and true age (all r values >0.8, Fig. 4d)./p>0.8, Fig. 4d, for sex classifiers, higher than chance level, Figs. 3e and S10). These results suggest that all pipelines retained biologically and functionally relevant information. However, further examination of the spatial distribution of the most predictive voxels revealed considerable variations across the four pipelines, similar to the mass-univariate analyses (Figs. 3d and 4c, Table S11). For instance, the application of CAT processed data to develop sex classifiers would have emphasized the region-specific contribution of the putamen, hippocampus, middle cingulate cortex, and angular gyrus, while FSLANAT would have indicated that a widely distributed pattern allowed successful sex classification. Finally, the preprocessing pipeline had a significant effect on prediction accuracy and prediction effect sizes, such that, depending on the pipeline, our sex classifiers reached 70–94% classification accuracy in an independent dataset. This indicates that the processing pipeline can have a considerable effect on the sensitivity and specificity of multivariate predictive signatures./p>70 indicates satisfactory to excellent image quality). Thus, all data passed the quality control procedure./p>0.74 excellent64,65,66./p>

소식

복셀 선택