Escolha do Voxel

NOTÍCIAS RECENTES

Mar 07, 2023

Curso de Tecnologia de Medição de Vazão de 4 Dias: Transferência de Custódia, Alocação e Medição Fiscal

Mar 09, 2023

Outro trio para a Hancock Prospecting

Mar 11, 2023

Lonza adiciona seleção de células magnéticas à tecnologia Cocoon

Mar 13, 2023

Kenorland Minerals fornece atualização de exploração de 2023

Mar 15, 2023

O equipamento de separação magnética Eriez resolve desafios únicos de processamento

ENVIE SUA PERGUNTA

ENVIAR

Dec 21, 2023

Volume de Biologia da Comunicação

Biologia das Comunicações volume 5, Número do artigo: 913 (2022) Citar este artigo

2521 Acessos

4 Citações

9 Altmétrica

Detalhes das métricas

A neurociência fundamental e clínica se beneficiou enormemente com o desenvolvimento de análises computacionais automatizadas. Mais de 600 artigos de neuroimagem humana usando morfometria baseada em Voxel (VBM) são agora publicados todos os anos e vários pipelines de processamento automatizado diferentes são usados, embora ainda seja necessário avaliar sistematicamente se eles apresentam as mesmas respostas. Aqui, examinamos a variabilidade entre quatro pipelines VBM comumente usados em dois grandes conjuntos de dados estruturais do cérebro. A similaridade espacial e a reprodutibilidade entre os pipelines dos mapas cerebrais processados da massa cinzenta foram geralmente baixas entre os pipelines. O exame das diferenças de sexo e mudanças relacionadas à idade revelou diferenças consideráveis entre os pipelines em termos de regiões específicas identificadas. As análises multivariadas baseadas em aprendizado de máquina permitiram previsões precisas de sexo e idade, no entanto, a precisão diferiu entre os pipelines. Nossas descobertas sugerem que a escolha do pipeline por si só leva a uma variabilidade considerável nos marcadores estruturais do cérebro, o que representa um sério desafio para reprodutibilidade e interpretação.

A neurociência humana fundamental e clínica visa determinar a contribuição de sistemas cerebrais específicos para processos e distúrbios mentais, e as abordagens de neuroimagem têm sido amplamente empregadas para esse fim. Devido à sua alta resolução espacial e natureza não invasiva, as avaliações baseadas em ressonância magnética (MRI) da estrutura e função cerebral tornaram-se uma das técnicas de neuroimagem mais amplamente utilizadas. No entanto, a complexidade e a flexibilidade dos fluxos de trabalho nas análises de ressonância magnética e as diferenças entre os poucos pacotes de software de análise comumente usados podem levar a uma alta variabilidade nos resultados de neuroimagem1. Essa variabilidade desafia a interpretação dos resultados com relação ao mapeamento preciso de processos mentais e biomarcadores cerebrais para transtornos mentais. Em comparação com o processamento de dados de ressonância magnética funcional (fMRI), as análises de morfometria cerebral de imagens estruturais ponderadas em T1 permitem menos variações de processamento e podem ter maior confiabilidade teste-reteste1,2,3,4,5,6. No entanto, a escolha do software analítico ainda pode ter um impacto considerável nos resultados obtidos. A variabilidade em termos de se e quais regiões específicas do cérebro ultrapassam o limiar estatístico, por sua vez, tem um grande impacto na interpretação dos achados em relação ao mapeamento de função de estrutura ou biomarcadores cerebrais e pode impedir significativamente a sensibilidade de meta-análises de neuroimagem subsequentes .

A pesquisa neuroanatômica se beneficiou tremendamente do desenvolvimento de abordagens computacionais automatizadas, como a Morfometria baseada em Voxel (VBM), examinando variações no volume regional de matéria cinzenta e as abordagens baseadas em superfície desenvolvidas mais recentemente (por exemplo, examinando a espessura cortical). VBM representa uma das abordagens analíticas estruturais cerebrais mais comumente usadas até o momento (por exemplo, uma simples pesquisa na literatura usando o termo "morfometria baseada em voxel" ou "VBM" no PubMed revelou 6210 estudos, https://pubmed.ncbi.nlm. nih.gov, de 1993 a 19 de novembro de 2020, consulte também publicações para VBM e outras abordagens, como "espessura cortical" e "área de superfície" no PubMed representadas na Fig. S1). O fluxo de trabalho VBM padronizado e altamente automatizado inclui segmentação de massa cinzenta de outros tecidos cerebrais, normalização em espaço estereotáxico padrão e suavização com um kernel gaussiano antes da aplicação de estatísticas inferenciais. Os modelos estatísticos inferenciais voxels correspondentes geralmente determinam (1) diferenças entre grupos no volume regional de substância cinzenta (GMV), por exemplo, entre pacientes e controles ou homens e mulheres7,8,9,10, ou (2) associações entre indivíduos variações no GMV regional e fenótipos comportamentais, incluindo aprendizagem, idade ou características relevantes para o distúrbio11,12,13,14,15,16. Diferenças ou associações significativas são comumente interpretadas de maneira regional específica, por exemplo, mapeando funções comportamentais específicas para sistemas cerebrais específicos e determinando quais regiões cerebrais sofrem alterações relacionadas à idade ou quais regiões contribuem para transtornos mentais. Mais recentemente, abordagens analíticas multivariadas baseadas em aprendizado de máquina, como Multivariate Pattern Analysis (MVPA), têm sido cada vez mais aplicadas a dados VBM para detectar padrões sutis e espacialmente distribuídos de variações estruturais do cérebro para melhorar o diagnóstico baseado em biomarcadores de transtornos mentais17,18,19 . O MVPA visa determinar variações no padrão espacial em vários voxels simultaneamente e, portanto, é frequentemente mais sensível na detecção de diferenças entre grupos ou associações estruturais cerebrais. A abordagem é baseada em algoritmos de reconhecimento de padrão de treinamento, por exemplo, dados estruturais do cérebro, e pode ser aplicada a novos dados para prever associação de grupo (por exemplo, pacientes versus controles ou mulheres versus homens) ou variações individuais em uma variável contínua, como como idade.

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>

Notícias

Escolha do Voxel