The author is grateful for NIH grant support:
NIH/NIBIB 5R01EB006204-03 Multivariate approaches to neuroimaging analysis
NIH/NIA 5R01AG026114-02 Early AD Detection with ASL MRI &amp; Covariance Analysis
ADNI: Imaging data was provided by the Alzheimer's Disease Neuroimaging Initiative (ADNI) (NIH U01AG024904). Data collection and sharing for this project was funded by the Alzheimer's Disease Neuroimaging Initiative (ADNI) (National Institutes of Health Grant U01 AG024904). ADNI is funded by the National Institute on Aging, the National Institute of Biomedical Imaging and Bioengineering, and through generous contributions from the following: Abbott, AstraZeneca AB, Bayer Schering Pharma AG, Bristol-Myers Squibb, Eisai Global Clinical Development, Elan Corporation, Genentech, GE Healthcare, GlaxoSmithKline, Innogenetics ,Johnson and Johnson, Eli Lilly and Co., Medpace, Inc., Merck and Co., Inc., Novartis AG, Pfizer Inc, F. Hoffman-La Roche, Schering-Plough, Synarc, Inc., and Wyeth, as well as non-profit partners the Alzheimer's Association and Alzheimer's Drug Discovery Foundation, with participation from the U.S. Food and Drug Administration. Private sector contributions to ADNI are facilitated by the Foundation for the National Institutes of Health(<a href="http://www.fnih.org">http://www.fnih.org</a>). The grantee organization is the Northern California Institute for Research and Education, and the study is coordinated by the Alzheimer's Disease Cooperative Study at the University of California, San Diego. ADNI data are disseminated by the Laboratory for Neuro Imaging at the University of California, Los Angeles. This research was also supported by NIH grants P30 AG010129, K01 AG030514, and the Dana Foundation.

<ol style=";text-align:right;direction:rtl"><li style=";text-align:right;direction:rtl"> כדי לתת סקירה המושגית של ניתוח רב משתני נוכל תמונה מצב פשוט מאוד: נתונים היפותטי להגדיר עבור 50 משתתפים אנושיים, שם רק שלושה אזורים, מסומן כמו voxels (פיקסלים = 3 מימדי באיור 1) במוח נמדדו. (איור 1 הכנס כאן, לקרוא כיתוב כמו קול על גבי). </li><li style=";text-align:right;direction:rtl"> המטרה הכללית של ניתוח רב משתני הוא לזהות את המקורות העיקריים של הנתונים השונות, ולאחר מכן מתאר את ההשפעות העיקריות של עניין את הנתונים במונחים של מקורות אלו שונות. תרשים 2 מציג דוגמה פשטנית. (איור 2 הכנס כאן, לקרוא את הכיתוב כמו קול על גבי). </li><li style=";text-align:right;direction:rtl"> כעת אנו להחיל ניתוח הן univariate ו משתנים כדי להגדיר נתונים קליניים. אנחנו הורדת FDG-PET סריקות מנוחה של 95 חולים מוקדם של אלצהיימר בגיל 102 בהתאמה שולטת מאתר האינטרנט של יוזמת מחלת אלצהיימר הדמייה (http://www.loni.ucla.edu/ADNI/). אנחנו אקראי הרים 20 סריקות של שני חולים בקרות המיועד בהם מדגם הגזירה שלנו. הנותרים 75 ו 82 סריקות, בהתאמה, המהווים מדגם השכפול שלנו. המחלה Univariate ו משתני אלצהיימר (AD) סמנים עכשיו יהיה נגזרת במדגם הגזירה, והיעילות האבחון שלהם נבדק במדגם שכפול. </li><li style=";text-align:right;direction:rtl"> עבור הסמן univariate, אנו הניגוד סריקות 20 לספירה עם 20 שולט סריקות במדגם הגזירה לקחת את המיקום המוח המציג את הירידה הגדולה ביותר אות PET ב חולי אלצהיימר כפי שמוצג על ידי מבחן טי. כדי לבדוק את יעילות האבחון של האזור הזה, אנחנו בודקים את הנתונים במדגם שכפול במיקום זה ואת העלילה אות PET שלה כפונקציה של מצב המחלה. </li><li style=";text-align:right;direction:rtl"> עבור הסמן משתנים, אנחנו הראשונים לבצע PCA על 40 סריקות בשילוב במדגם הגזירה, ולאחר מכן לבנות דפוס שונות משותפת של 5 המרכיבים הראשונים הראשי שהנושא גורם דרוג מראה הבדל ממוצע מקסימלי בין חולי אלצהיימר בקרות בריא. (פרטים ניתן למצוא את הניירות האלה נציג 2). הדפוס השונות המשותפת אבחוני שהושג בצורה מדגם הגזירה לאחר מכן ולהבא המדגם שכפול. דרוג גורמים כתוצאה מכך נושא נרשמות כפונקציה של מצב המחלה. </li><li style=";text-align:right;direction:rtl"> כדי לספק השוואה כללית יותר של שתי הגישות univariate ו משתנים משלב 4 ו -5, אנו מבצעים סימולציה &quot;לפצל מדגם&quot; וחזור על שני צעדים 1,000 פעמים על נתונים resampled, בכל פעם להרכיב מדגם הגזירה 20/20 ו 75/82 שכפול של חולי אלצהיימר ובריאה מחדש שולטת. סמני המחלה Univariate ו משתנים מחושבים מן המדגם הגזירה ועל סף החלטה מוגדר כך לכל היותר 1 שליטה בריאה היא misclassified כמו AD (סגוליות = 95%). סמני המחלה עם ספי הספציפיים שלהם אז הם החלטה מכאן ולהבא על דגימות שכפול. שגיאה הסיווג שיעורי במדגם שכפול נרשמות לכל חזרות resampling. </li></ol> נציג תוצאות ביצועים Univariate התוצאות ניתן לראות פירוט באיור 3. האזור של הגירעון הגדול ביותר FDG לספירה הקשורות נמצא ברכס הרקתי סופר, אזור Brodmann 38. השטח תחת עקומת ROC-מושגת היה AUC = 0.90. הכללה של הניגוד הזה המדגם שכפול היה די טוב עם שטח מתחת לעקומה ROC של AUC = 0.84. ביצועים משתני התוצאות ניתן לראות פירוט באיור 4. תחומי עם מקדמי חיובית, רומז שימור יחסי של האות מול המחלה נמצאו במוח הקטן, תוך אובדן האות הקשורים נמצא באזורים parietotemporal ו חזיתית, ואת cingulate gyrus האחורי. אזורים תחת ROC-עקומות הגזירה והן דגימות שכפול היו מעט יותר טוב מאשר סמן univariate ב 0.96 ו 0.88, בהתאמה. Split-מדגם סימולציות התוצאות ניתן לראות פירוט באיור 5. הנתון מראה כי סמן משתנים נותן שכפול אבחון טוב יותר של ביצועים מאשר סמן univariate. שיעור ממוצע שגיאה מוחלטת סמן משתנים הוא 0.203, ואילו עבור הסמן univariate הוא 0.307. <img src="/files/ftp_upload/1988/1988fig1.jpg" alt="איור 1" /> . באיור 1 נתון זה פשוט מתאר את ההבדל בין אסטרטגיות אנליטית univariate ו משתנים: מערך היפותטי 3 מימדי נתונים מוצג באיור הזה. בצד שמאל, אין קשר בין 3 משתנים זממו. בצד ימין לעומת זאת, אפשר לראות מקור עיקרי השונות מצביעים על קשר חיובי בין כל שלושת voxels. ניתוח זה נחשב univariate מתכוון רק ערכים על בסיס voxel-by-voxel לא יכול להגיד שום הבדל בין שני תרחישים. ניתוח רב משתני, לעומת זאת, מזהה את המקורות העיקריים של וריאןce בנתונים (חץ אדום) לפני שתמשיך לבנות דפוסים עצביים ההפעלה טופס מקורות אלה. <img src="/files/ftp_upload/1988/1988fig2.jpg" alt="איור 2" /> איור 2. שקופית זו מציגה בצורה פשוטה את ההישג הבסיסי של ניתוח כל הנתונים משתנים ב הדמייה. Y מערך נתונים (s, x), אשר תלוי במדד נושא זה, וכן מדד voxel x, המציין את מיקומו של voxel במוח, הוא לפרק את סכום של מספר תנאים. ראשית, תוצר של ציון גרידא נושא תלויי גורם, ssf (ים), דפוס שונות משותפת טהורה voxel תלויי, v (x). הפעלת שנית, כי לא ניתן להסביר על ידי דפוס השונות המשותפת נתפס בטווח רעש הנושא ו voxel תלויי, דואר (s, x). שני גרפיקה מתחת המשוואה לתת דוגמה של גורם דרוג הנושא דפוס שונות משותפת. כל משתתף מבטא את דפוס השונות המשותפת, רק במידה שונה, כפי שמוצג על ידי ציון הגורם הנושא. במקום שיש לעקוב אחר ההתנהגות של כל voxel בנפרד, דפוס שונות משותפת וביטוי הנושא שלה לספק סיכום חסכנית של המקור העיקרי של השונות. כגורם מגביר את נושא שינוי גודל גודל, אזורים מסומנים בכחול דפוס השונות המשותפת ירידה הפעלה הקשורים בהם, ואילו באזורים המצוין אדום בו זמנית להגדיל הפעלה הקשורים בהם. ציון הגורם הנושא יכול להיות מתואם עם משתנים חיצוניים בעלי עניין כמו גיל נושא או ביצועים התנהגותיים במשימה קוגניטיבית, לא תיקון להשוואות מרובות צריך להיות מיושם על המתאם הזה. כמה טכניקות הפירוק כאלה קיימים, אבל הכי נפוצה היא ניתוח מרכיבים עיקריים (PCA). זוהי טכניקה של בחירה עבורנו. לידיעתך, גורמים דרוג נושא ניתן להשיג על ידי הקרנת דפוס שונות משותפת לתוך כל קבוצה של נתונים ממדיות שווה, לא רק את מערכת הנתונים אשר הפיק את דפוס השונות המשותפת מלכתחילה. זה עושה את דפוסי השונות המשותפת מתאים ובדיקה אם המוח התנהגותיים יחסים נצפו ערכת נתונים אחד יכול להיות משוכפל להגדיר נתונים שונים. <img src="/files/ftp_upload/1988/1988fig3.jpg" alt="איור 3" /> איור 3. נתון זה מראה את התוצאה של הניתוח univariate. בחלונית השמאלית התחתונה, ערכי האות FDG הם זממו באזור המציג את הגדולה לספירה הקשורות הגירעון במדגם הגזירה. קואורדינטות MNI שלו הם X = 2 מ&quot;מ, Y = -48 מ&quot;מ, Z ​​= 30 מ&quot;מ (Precuneus / PCG, שטח Brodmann 31). הפאנל הימני התחתון מראה את האות FDG במיקום זה מאוד במדגם שכפול. אפשר להעריך כי ההבדלים בין חולי אלצהיימר FDG בקרות במדגם שכפול, בעוד משמעותי עדיין הכוללת, מופחתים עם חפיפה יותר בין הקבוצות. <img src="/files/ftp_upload/1988/1988fig4.jpg" alt="איור 4" /> איור 4. נתון זה מראה את התוצאות של הניתוח משתנים. בפאנל העליון, אנו מציגים מספר פרוסות צירית המראים באופן משמעותי באזורים משוקלל שלילי חיובי (p &lt;0.001) בדפוס השונות המשותפת של אדום וכחול, בהתאמה. שים לב, אנחנו מדורגים כל סריקה על ידי הערך הממוצע העולמי שלה, הצבע האדום כל כך כחול עולה עולה יחסית די מוחלט וירידה של האות PET עם חומרת המחלה. אזורים האדום ובכך רמז שימור יחסי מול המחלה, בעוד הכחול מציין הפסד של האות כתוצאה של המחלה. אזורים האדום נמצאות בעיקר במוח הקטן, בעוד אזורים כחולים מופיעים ברכס החגורה האחורית, אזורים parietotemporal ו חזיתית. הפאנל השמאלי התחתון: עשרות הגורם הנושא של דפוס לספירה הקשורות השונות המשותפת מוצגים במדגם הגזירה. עשרות נושא גבוהה נמצאים על חולי אלצהיימר. הפאנל הימני התחתון: עשרות גורם הנושא תוצאה של יישום פוטנציאלי של דפוס לספירה הקשורות השונות המשותפת המדגם שכפול הם זממו כאן. אפשר להעריך קלה החרפת הניגוד אבחון עם חפיפה מוגברת במדגם שכפול, אבל ההכללה של יעילות האבחון ניכרת יותר מאשר במקרה univariate. <img src="/files/ftp_upload/1988/1988fig5.jpg" alt="איור 5" /> איור 5. נתון זה מראה את התוצאות של 1000 מפוצל מדגם סימולציות. ברשימה הם אמצעי וסטיות תקן של שיעורי univariate ו משתני שגיאה אבחון בדגימות שכפול. אפשר להעריך כי הכללה את הסמן של משתנים של ביצועים טובים יותר באופן משמעותי, אם כי מעט יותר משתנה הסמן של univariate.

<ol>
	<li>Moeller, J. R., Strother, S. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+regional+covariance+approach+to+the+analysis+of+functional+patterns+in+positron+emission+tomographic+data.">A regional covariance approach to the analysis of functional patterns in positron emission tomographic data.</a> J Cereb Blood Flow Metab. 11 (2), A121-A121 (1991).</li><li>Scarmeas, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Covariance+PET+patterns+in+early+Alzheimer's+disease+and+subjects+with+cognitive+impairment+but+no+dementia:+utility+in+group+discrimination+and+correlations+with+functional+performance.">Covariance PET patterns in early Alzheimer's disease and subjects with cognitive impairment but no dementia: utility in group discrimination and correlations with functional performance.</a> Neuroimage. 23 (1), 35-35 (2004).</li><li>Siedlecki, K. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Examining+the+multifactorial+nature+of+cognitive+aging+with+covariance+analysis+of+positron+emission+tomography+data.">Examining the multifactorial nature of cognitive aging with covariance analysis of positron emission tomography data.</a> J Int Neuropsychol Soc. 15 (6), 973-973 (2009).</li><li>Burnham, K. P., Anderson, D. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Model selection and multimodel inference a practical information-theoretic approach. , (2002).</li><li>Moeller, J. R., Strother, S. C., Sidtis, J. J., Rottenberg, D. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Scaled+subprofile+model:+a+statistical+approach+to+the+analysis+of+functional+patterns+in+positron+emission+tomographic+data.">Scaled subprofile model: a statistical approach to the analysis of functional patterns in positron emission tomographic data.</a> J Cereb Blood Flow Metab. 7 (5), 649-649 (1987).</li><li>Habeck, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Multivariate+and+univariate+neuroimaging+biomarkers+of+Alzheimer's+disease.">Multivariate and univariate neuroimaging biomarkers of Alzheimer's disease.</a> Neuroimage. 40 (4), 1503-1503 (2008).</li><li>Habeck, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+new+approach+to+spatial+covariance+modeling+of+functional+brain+imaging+data:+ordinal+trend+analysis.">A new approach to spatial covariance modeling of functional brain imaging data: ordinal trend analysis.</a> Neural Comput. 17 (7), 1602-1602 (2005).</li><li>McIntosh, A. R., Bookstein, F. L., Haxby, J. V., Grady, C. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Spatial+pattern+analysis+of+functional+brain+images+using+partial+least+squares.">Spatial pattern analysis of functional brain images using partial least squares.</a> Neuroimage. 3 Pt 1, 143-143 (1996).</li><li>McIntosh, A. R., Lobaugh, N. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Partial+least+squares+analysis+of+neuroimaging+data:+applications+and+advances.">Partial least squares analysis of neuroimaging data: applications and advances.</a> Neuroimage. 23, S250-S250 (2004).</li></ol>

אין ניגודי אינטרסים הכריז.

אנו מקווים לתת לצופה טעם של היסודות של ניתוח רב משתני: צופים המעוניינים מוזמנים לבדוק את אתר האינטרנט שלנו. בחירות כמה פרמטרים בניתוח רב משתנים נעשו שניתן בדיון נושא לוויכוח רב. חסכנו את הדיון בנושאים אלה במאמר זה כדי למנוע הסחת דעת מן הנושאים העיקריים. ראשית, בחרנו הראשון 6 מרכיבים עיקריים כדי לבנות דפוס לספירה הקשורות השונות המשותפת שלנו. ישנן סיבות תיאורטי בחירה זו אנו לא דנים 4. הבחירה מסוים של 6 מרכיבים עיקריים אף אינו קריטי לטיעון שלנו: אחד יכול לבחור בטווח 2-20 מחשבים ועדיין להשיג ביצועים מעולים הכללה של הסמן משתנים של פיצול מדגם סימולציות. התוצאות הם חזקים דומה לגבי בחירה של מספר נושאים הגזירה דגימות שכפול. בחרנו 20 הנבדקים בשתי קבוצות במדגם שכפול, אבל זה היה רק ​​בשביל הנוחות מתמטיים כדי להאיץ את החישובים. התוצאות שלנו על היתרונות היחסיים של שתי טכניקות יחזיק דומה אם המספרים של נושאים בדגימות הגזירה עלו. שנית, אנו רק הציג את הסוג הבסיסי ביותר של ניתוח רב משתני. סיבוך ניכרת עם טכניקות השאולים מן הספרות-Machine Learning, טרנספורמציות ליניארי ולא ליניארי לפני PCA, וקמטים אחרים השונים האפשריים שיכולים להגביר את הביצועים הכללה אף יותר. לשם הפשטות אנו לא נגעתי על האפשרויות הללו במאמר זה.

basics of multivariate analysis in neuroimaging data

טכניקות ניתוח רב משתני עבור נתונים הדמייה קיבלו לאחרונה תשומת לב הולכת וגוברת כפי שהם תכונות אטרקטיביות רבות כי לא ניתן לממש בקלות על ידי univariate יותר נפוץ, voxel חכמה, טכניקות<sup&gt; 1,5,6,7,8,9</sup&gt;. גישות מרובות משתנים להעריך מתאם / שונות משותפת של הפעלת פני אזורים במוח, מאשר בהליך על בסיס voxel-by-voxel. לפיכך, התוצאות שלהם יכולה להתפרש בקלות רבה יותר כמו חתימה של רשתות עצביות. גישות Univariate, מאידך גיסא, לא ניתן ישירות לכתובת מתאם אזוריים במוח. גישות מרובות משתנים יכול גם לגרום כוח סטטיסטי רב יותר בהשוואה טכניקות univariate, אשר נאלצים להעסיק תיקונים מחמירים מאוד voxel מבחינת השוואות מרובות. יתר על כן, טכניקות משתנים גם להשאיל את עצמם הרבה יותר טוב יישום פרוספקטיבי התוצאות מניתוח במערך אחד מערכי נתונים חדש לגמרי. טכניקות מרובות משתנים הם ולכן ממוקמת היטב כדי לספק מידע על ההבדלים מתאמים אומר עם התנהגות, בדומה לגישות univariate, עם כוח סטטיסטי פוטנציאל גדול והמחאות שחזור טוב יותר. לעומת יתרונות אלה היא מכשול גבוה הכניסה לשימוש גישות משתנים, מונעים יישום נפוץ יותר בקרב הקהילה. כדי הנוירולוג היכרות עם טכניקות ניתוח רב משתני, סקר ראשוני של השדה יכול להציג מגוון מבלבל של גישות, למרות דומה אלגוריתמית, מוצגים עם דגשים שונים, בדרך כלל על ידי אנשים עם רקע במתמטיקה. אנו מאמינים כי טכניקות ניתוח רב משתני יש פוטנציאל מספיק כדי להצדיק הפצת טוב יותר. החוקרים צריכים להיות מסוגלים להפעיל אותם בצורה מושכלת ונגיש. המאמר הנוכחי הוא ניסיון מבוא דידקטי של טכניקות משתנים למתחילים. הקדמה רעיונית מלווה עם יישום פשוט מאוד נתונים אבחון להגדיר מ הדמייה לאלצהיימר של היוזמה (ADNI), מדגימים בבהירות את ביצועים מעולים של הגישה משתנים.

Watch this Scientific Journal Video about Basics of Multivariate Analysis in Neuroimaging Data at JoVE.com

Basics of Multivariate Analysis in Neuroimaging Data

המאמר הנוכחי מתאר את היסודות של ניתוח רב משתני וניגודים אותו לניתוח voxel חכם יותר נפוץ univariate. שני סוגי ניתוח מוחלים על סט נתונים קליניים, מדעי המוח. לפצל וחצי סימולציות משלים להראות שכפול טוב יותר את התוצאות של ערכות נתונים משתנים בלתי תלויים.

היסודות של ניתוח רב משתני של נתונים הדמייה

Multivariate analysis techniques for neuroimaging data have recently received increasing attention as they have many attractive features that cannot be ...

basics-of-multivariate-analysis-in-neuroimaging-data

Universidad de Cartagena UDEC

Research

JoVE Journal

Neuroscience

16.8K Views.  Columbia University. המאמר הנוכחי מתאר את היסודות של ניתוח רב משתני וניגודים אותו לניתוח voxel חכם יותר נפוץ univariate. שני סוגי ניתוח מוחלים על סט נתונים קליניים, מדעי המוח. לפצל וחצי סימולציות משלים להראות שכפול טוב יותר את התוצאות של ערכות נתונים משתנים בלתי תלויים.

Video: Basics of Multivariate Analysis in Neuroimaging Data

Automated Sholl Analysis of Digitized Neuronal Morphology at Multiple Scales

Neuronal morphology plays a significant role in determining how neurons function and communicate1-3. Specifically, it affects the ability of neurons to receive inputs from other cells2 and contributes to the propagation of action potentials4,5. The morphology of the neurites also affects how information is processed. The diversity of dendrite morphologies facilitate local and long range signaling and allow individual neurons or groups of neurons to carry out specialized functions within the neuronal network6,7. Alterations in dendrite morphology, including fragmentation of dendrites and changes in branching patterns, have been observed in a number of disease states, including Alzheimer's disease8, schizophrenia9,10, and mental retardation11. The ability to both understand the factors that shape dendrite morphologies and to identify changes in dendrite morphologies is essential in the understanding of nervous system function and dysfunction.
Neurite morphology is often analyzed by Sholl analysis and by counting the number of neurites and the number of branch tips. This analysis is generally applied to dendrites, but it can also be applied to axons. Performing this analysis by hand is both time consuming and inevitably introduces variability due to experimenter bias and inconsistency. The Bonfire program is a semi-automated approach to the analysis of dendrite and axon morphology that builds upon available open-source morphological analysis tools. Our program enables the detection of local changes in dendrite and axon branching behaviors by performing Sholl analysis on subregions of the neuritic arbor. For example, Sholl analysis is performed on both the neuron as a whole as well as on each subset of processes (primary, secondary, terminal, root, etc.) Dendrite and axon patterning is influenced by a number of intracellular and extracellular factors, many acting locally. Thus, the resulting arbor morphology is a result of specific processes acting on specific neurites, making it necessary to perform morphological analysis on a smaller scale in order to observe these local variations12.
The Bonfire program requires the use of two open-source analysis tools, the NeuronJ plugin to ImageJ and NeuronStudio. Neurons are traced in ImageJ, and NeuronStudio is used to define the connectivity between neurites. Bonfire contains a number of custom scripts written in MATLAB (MathWorks) that are used to convert the data into the appropriate format for further analysis, check for user errors, and ultimately perform Sholl analysis. Finally, data are exported into Excel for statistical analysis. A flow chart of the Bonfire program is shown in Figure 1.

We have developed a computer program to analyze neuronal morphology. In combination with two existing open source analysis tools, our program performs Sholl analysis and determines the number of neurites, branch points, and neurite tips. The analyses are performed so that local changes in neurite morphology can be observed.

ניתוח אוטומטי של מורפולוגיה Sholl העצבית סרוקים בקני מידה מרובים

Neuronal morphology plays a significant role in determining how neurons function and communicate1-3.  Specifically, it affects the ability of neurons to ...

Cross-Modal Multivariate Pattern Analysis

Multivariate pattern analysis (MVPA) is an increasingly popular method of analyzing functional magnetic resonance imaging (fMRI) data1-4. Typically, the method is used to identify a subject's perceptual experience from neural activity in certain regions of the brain. For instance, it has been employed to predict the orientation of visual gratings a subject perceives from activity in early visual cortices5 or, analogously, the content of speech from activity in early auditory cortices6.
Here, we present an extension of the classical MVPA paradigm, according to which perceptual stimuli are not predicted within, but across sensory systems. Specifically, the method we describe addresses the question of whether stimuli that evoke memory associations in modalities other than the one through which they are presented induce content-specific activity patterns in the sensory cortices of those other modalities. For instance, seeing a muted video clip of a glass vase shattering on the ground automatically triggers in most observers an auditory image of the associated sound; is the experience of this image in the "mind's ear" correlated with a specific neural activity pattern in early auditory cortices? Furthermore, is this activity pattern distinct from the pattern that could be observed if the subject were, instead, watching a video clip of a howling dog?
In two previous studies7,8, we were able to predict sound- and touch-implying video clips based on neural activity in early auditory and somatosensory cortices, respectively. Our results are in line with a neuroarchitectural framework proposed by Damasio9,10, according to which the experience of mental images that are based on memories - such as hearing the shattering sound of a vase in the "mind's ear" upon seeing the corresponding video clip - is supported by the re-construction of content-specific neural activity patterns in early sensory cortices.

Classical multivariate pattern analysis predicts sensory stimuli a subject perceives from neural activity in the corresponding cortices (e.g. visual stimuli from activity in visual cortex). Here, we apply pattern analysis cross-modally and show that sound- and touch-implying visual stimuli can be predicted from activity in auditory and somatosensory cortices, respectively.

חוצה מודאלי תבנית ניתוח רב משתני

Multivariate pattern analysis (MVPA) is an increasingly popular method of analyzing functional magnetic resonance imaging (fMRI) data1-4. Typically, the ...

Functional Neuroimaging Using Ultrasonic Blood-brain Barrier Disruption and Manganese-enhanced MRI

Although mice are the dominant model system for studying the genetic and molecular underpinnings of neuroscience, functional neuroimaging in mice remains technically challenging. One approach, Activation-Induced Manganese-enhanced MRI (AIM MRI), has been used successfully to map neuronal activity in rodents 1-5. In AIM MRI, Mn2+ acts a calcium analog and accumulates in depolarized neurons 6,7. Because Mn2+ shortens the T1 tissue property, regions of elevated neuronal activity will enhance in MRI. Furthermore, Mn2+ clears slowly from the activated regions; therefore, stimulation can be performed outside the magnet prior to imaging, enabling greater experimental flexibility. However, because Mn2+ does not readily cross the blood-brain barrier (BBB), the need to open the BBB has limited the use of AIM MRI, especially in mice.
One tool for opening the BBB is ultrasound. Though potentially damaging, if ultrasound is administered in combination with gas-filled microbubbles (i.e., ultrasound contrast agents), the acoustic pressure required for BBB opening is considerably lower. This combination of ultrasound and microbubbles can be used to reliably open the BBB without causing tissue damage 8-11.
Here, a method is presented for performing AIM MRI by using microbubbles and ultrasound to open the BBB. After an intravenous injection of perflutren microbubbles, an unfocused pulsed ultrasound beam is applied to the shaved mouse head for 3 minutes. For simplicity, we refer to this technique of BBB Opening with Microbubbles and UltraSound as BOMUS 12. Using BOMUS to open the BBB throughout both cerebral hemispheres, manganese is administered to the whole mouse brain. After experimental stimulation of the lightly sedated mice, AIM MRI is used to map the neuronal response.
To demonstrate this approach, herein BOMUS and AIM MRI are used to map unilateral mechanical stimulation of the vibrissae in lightly sedated mice 13. Because BOMUS can open the BBB throughout both hemispheres, the unstimulated side of the brain is used to control for nonspecific background stimulation. The resultant 3D activation map agrees well with published representations of the vibrissae regions of the barrel field cortex 14. The ultrasonic opening of the BBB is fast, noninvasive, and reversible; and thus this approach is suitable for high-throughput and/or longitudinal studies in awake mice.

A technique is described for broadly opening the blood-brain barrier in the mouse using microbubbles and ultrasound. Using this technique, manganese can be administered to the mouse brain. Because manganese is an MRI contrast agent that accumulates in depolarized neurons, this approach enables imaging of neuronal activity.

הדמייה תפקודית באמצעות שיבוש Ultrasonic הדם למוח הגדר מנגן משופרת MRI

Although mice are the dominant model system for studying the genetic and molecular underpinnings of neuroscience, functional neuroimaging in mice remains ...

Applications of EEG Neuroimaging Data: Event-related Potentials, Spectral Power, and Multiscale Entropy

When considering human neuroimaging data, an appreciation of signal variability represents a fundamental innovation in the way we think about brain signal. Typically, researchers represent the brain's response as the mean across repeated experimental trials and disregard signal fluctuations over time as "noise". However, it is becoming clear that brain signal variability conveys meaningful functional information about neural network dynamics. This article describes the novel method of multiscale entropy (MSE) for quantifying brain signal variability. MSE may be particularly informative of neural network dynamics because it shows timescale dependence and sensitivity to linear and nonlinear dynamics in the data.

Neuroimaging researchers typically consider the brain's response as the mean activity across repeated experimental trials and disregard signal variability over time as "noise". However, it is becoming clear that there is signal in that noise. This article describes the novel method of multiscale entropy for quantifying brain signal variability in the time domain.

יישומים של נתוני ה-EEG הדמייה: פוטנציאל הקשור לאירוע, כוח של רוח רפאים, וMultiscale אנטרופיה

When considering human neuroimaging data, an appreciation of signal variability represents a fundamental innovation in the way we think about brain ...

TIRFM and pH-sensitive GFP-probes to Evaluate Neurotransmitter Vesicle Dynamics in SH-SY5Y Neuroblastoma Cells: Cell Imaging and Data Analysis

Synaptic vesicles release neurotransmitters at chemical synapses through a dynamic cycle of fusion and retrieval. Monitoring synaptic activity in real time and dissecting the different steps of exo-endocytosis at the single-vesicle level are crucial for understanding synaptic functions in health and disease.
Genetically-encoded pH-sensitive probes directly targeted to synaptic vesicles and Total Internal Reflection Fluorescence Microscopy (TIRFM) provide the spatio-temporal resolution necessary to follow vesicle dynamics. The evanescent field generated by total internal reflection can only excite fluorophores placed in a thin layer (&#60;150 nm) above the glass cover on which cells adhere, exactly where the processes of exo-endocytosis take place. The resulting high-contrast images are ideally suited for vesicles tracking and quantitative analysis of fusion events.
In this protocol, SH-SY5Y human neuroblastoma cells are proposed as a valuable model for studying neurotransmitter release at the single-vesicle level by TIRFM, because of their flat surface and the presence of dispersed vesicles. The methods for growing SH-SY5Y as adherent cells and for transfecting them with synapto-pHluorin are provided, as well as the technique&#160;to perform TIRFM and imaging. Finally, a strategy aiming to select, count, and analyze fusion events at whole-cell and single-vesicle levels is presented.
To validate the imaging procedure and data analysis approach, the dynamics of pHluorin-tagged vesicles are&#160;analyzed under resting and stimulated (depolarizing potassium concentrations) conditions. Membrane depolarization increases the frequency of fusion events and causes a parallel raise of the net fluorescence signal recorded in whole cell. Single-vesicle analysis reveals modifications of fusion-event behavior (increased peak height and width). These data suggest that potassium depolarization not only induces a massive neurotransmitter release but also modifies the mechanism of vesicle fusion and recycling.
With the appropriate fluorescent probe, this technique can be employed in different cellular systems to dissect the mechanisms of constitutive and stimulated secretion.

This paper provides a method for investigating neurotransmitter vesicle dynamics in neuroblastoma cells, using a synaptobrevin2-pHluorin construct and Total Internal Reflection Fluorescence Microscopy. The strategy developed for image processing and data analysis is also reported.

TIRFM וGFP-בדיקות pH רגיש להערכת נוירוטרנסמיטר שלפוחיות Dynamics בתאי SH-SY5Y נוירובלסטומה: הדמיה נייד וניתוח נתונים

Synaptic vesicles release neurotransmitters at chemical synapses through a dynamic cycle of fusion and retrieval. Monitoring synaptic activity in real ...

Analyzing Synaptic Modulation of Drosophila melanogaster Photoreceptors after Exposure to Prolonged Light

The nervous system has the remarkable ability to adapt and respond to various stimuli. This neural adjustment is largely achieved through plasticity at the synaptic level. The Active Zone (AZ) is the region at the presynaptic membrane that mediates neurotransmitter release and is composed of a dense collection of scaffold proteins. AZs of Drosophila melanogaster (Drosophila) photoreceptors undergo molecular remodeling after prolonged exposure to natural ambient light. Thus the level of neuronal activity can rearrange the molecular composition of the AZ and contribute to the regulation of the functional output.
Starting from the light exposure set-up preparation to the immunohistochemistry, this protocol details how to quantify the number, the spatial distribution, and the delocalization level of synaptic molecules at AZs in Drosophila photoreceptors. Using image analysis software, clusters of the GFP-fused AZ component Bruchpilot were identified for each R8 photoreceptor (R8) axon terminal. Detected Bruchpilot spots were automatically assigned to individual R8 axons. To calculate the distribution of spot frequency along the axon, we implemented a customized software plugin. Each axon&#39;s start-point and end-point were manually defined and the position of each Bruchpilot spot was projected onto the connecting line between start and end-point. Besides the number of Bruchpilot clusters, we also quantified the delocalization level of Bruchpilot-GFP within the clusters. These measurements reflect in detail the spatially resolved synaptic dynamics in a single neuron under different environmental conditions to stimuli.

Analyzing Synaptic Modulation of Drosophila melanogaster Photoreceptors after Exposure to Prolonged Light

Here we show how to quantify the number and spatial distribution of synaptic active zones in Drosophila melanogaster&#160;photoreceptors, highlighted with a genetically encoded molecular marker, and their modulation after prolonged exposure to light.

ניתוח Synaptic אפנון של<em&gt; תסיסנית</em&gt; קולטני אור לאחר חשיפה לאור ממושך

The nervous system has the remarkable ability to adapt and respond to various stimuli. This neural adjustment is largely achieved through plasticity at ...

Neuroimaging Field Methods Using Functional Near Infrared Spectroscopy (NIRS) Neuroimaging to Study Global Child Development: Rural Sub-Saharan Africa

Portable neuroimaging approaches provide new advances to the study of brain function and brain development with previously inaccessible populations and in remote locations. This paper shows the development of field functional Near Infrared Spectroscopy (fNIRS) imaging to the study of child language, reading, and cognitive development in a rural village setting of C&#244;te d&#39;Ivoire. Innovation in methods and the development of culturally appropriate neuroimaging protocols allow&#160;a first-time look into the brain&#39;s development and children&#39;s learning outcomes in understudied environments. This paper demonstrates protocols for transporting and setting up a mobile laboratory, discusses considerations for field versus laboratory neuroimaging, and presents a guide for developing neuroimaging consent procedures and building meaningful long-term collaborations with local government and science partners. Portable neuroimaging methods can be used to study complex child development contexts, including the impact of significant poverty and adversity on brain development. The protocol presented here has been developed for use in C&#244;te d&#39;Ivoire, the world&#39;s primary source of cocoa, and where reports of child labor in the cocoa sector are common. Yet, little is known about the impact of child labor on brain development and learning. Field neuroimaging methods have the potential to yield new insights into such urgent issues, and the development of children globally.

Neuroimaging Field Methods Using Functional Near Infrared Spectroscopy NIRS Neuroimaging to Study Global Child Development: Rural Sub-Saharan Africa

Portable neuroimaging approaches (functional Near Infrared Spectroscopy) provide advances to the study of the brain in previously inaccessible regions; here, rural C&#244;te d&#39;Ivoire. Innovation in methods and development of culturally-appropriate neuroimaging protocols permits novel study of the brain&#39;s development and children&#39;s learning outcomes in environments with significant poverty and adversity.

שיטות דימות מוחי שדה שימוש פונקציונלי ליד דימות מוחי ספקטרוסקופית אינפרא אדום (NIRS) לחקר התפתחות הילד גלובלית: כפריים אפריקה שמדרום לסהרה

Portable neuroimaging approaches provide new advances to the study of brain function and brain development with previously inaccessible populations and in ...

Data Acquisition and Analysis In Brainstem Evoked Response Audiometry In Mice

Brainstem evoked response audiometry (BERA) is of central relevance in the clinical neurophysiology. As other evoked potential (EP) techniques, such as visually evoked potentials (VEPs) or somatosensory evoked potentials (SEPs), the auditory evoked potentials (AEPs) are triggered by the repetitive presentation of identical stimuli, the electroencephalographic (EEG) response of which is subsequently averaged resulting in distinct positive (p) and negative (n) deflections. In humans, both the amplitude and the latency of individual peaks can be used to characterize alterations in synchronization and conduction velocity in the underlying neuronal circuitries. Importantly, AEPs are also applied in basic and preclinical science to identify and characterize the auditory function in pharmacological and genetic animal models. Even more, animal models in combination with pharmacological testing are utilized to investigate for potential benefits in the treatment of sensorineural hearing loss (e.g., age- or noise-induced hearing deficits). Here we provide a detailed and integrative description of how to record auditory brainstem-evoked responses (ABRs) in mice using click and tone-burst application. A specific focus of this protocol is on pre-experimental animal housing, anesthesia, ABR recording, ABR filtering processes, automated wavelet-based amplitude growth function analysis, and latency detection.

Brainstem evoked response audiometry is an important tool in clinical neurophysiology. Nowadays, brainstem evoked response audiometry is also applied in the basic science and preclinical studies involving both pharmacological and genetic animal models. Here we provide a detailed description of how auditory brainstem responses can be successfully recorded and analyzed in mice.

רכישת נתונים וניתוח בברטומטריה תגובה מעורר בעכברים

Brainstem evoked response audiometry (BERA) is of central relevance in the clinical neurophysiology. As other evoked potential (EP) techniques, such as ...

Meta-analysis of Voxel-Based Neuroimaging Studies using Seed-based d Mapping with Permutation of Subject Images (SDM-PSI)

Most methods for conducting meta-analysis of voxel-based neuroimaging studies do not assess whether effects are not null, but whether there is a convergence of peaks of statistical significance, and reduce the assessment of the evidence to a binary classification exclusively based on p-values (i.e., voxels can only be &ldquo;statistically significant&rdquo; or &ldquo;non-statistically significant&rdquo;). Here, we detail how to conduct a meta-analysis using Seed-based d Mapping with Permutation of Subject Images (SDM-PSI), a novel method that uses a standard permutation test to assess whether effects are not null. We also show how to grade the strength of the evidence according to a set of criteria that considers a range of statistical significance levels (from more liberal to more conservative), the amount of data or the detection of potential biases (e.g., small-study effect and excess of significance). To exemplify the procedure, we detail the conduction of a meta-analysis of voxel-based morphometry studies in obsessive-compulsive disorder, and we provide all the data already extracted from the manuscripts to allow the reader to replicate the meta-analysis easily. SDM-PSI can also be used for meta-analyses of functional magnetic resonance imaging, diffusion tensor imaging, position emission tomography and surface-based morphometry studies.

Meta-analysis of Voxel-Based Neuroimaging Studies using Seed-based d Mapping with Permutation of Subject Images SDM-PSI

We detail how to conduct a meta-analysis of voxel-based neuroimaging studies using Seed-based d Mapping with Permutation of Subject Images (SDM-PSI).

מטא-ניתוח של המחקרים המבוססים על הדמיה של Voxel באמצעות מיפוי d מבוסס Seed עם תמורה של תמונות נושא (SDM-PSI)

Most methods for conducting meta-analysis of voxel-based neuroimaging studies do not assess whether effects are not null, but whether there is a ...

Measuring Statistical Learning Across Modalities and Domains in School-Aged Children Via an Online Platform and Neuroimaging Techniques

Statistical learning, a fundamental skill to extract regularities in the environment, is often considered a core supporting mechanism of the first language development. While many studies of statistical learning are conducted within a single domain or modality, recent evidence suggests that this skill may differ based on the context in which the stimuli are presented. In addition, few studies investigate learning as it unfolds in real-time, rather focusing on the outcome of learning. In this protocol, we describe an approach for identifying the cognitive and neural basis of statistical learning, within an individual, across domains (linguistic vs. non-linguistic) and sensory modalities (visual and auditory). The tasks are designed to cast as little cognitive demand as possible on participants, making it ideal for young school-aged children and special populations. The web-based nature of the behavioral tasks offers a unique opportunity for us to reach more representative populations nationwide, to estimate effect sizes with greater precision, and to contribute to open and reproducible research. The neural measures provided by the functional magnetic resonance imaging (fMRI) task can inform researchers about the neural mechanisms engaged during statistical learning, and how these may differ across individuals on the basis of domain or modality. Finally, both tasks allow for the measurement of real-time learning, as changes in reaction time to a target stimulus is tracked across the exposure period. The main limitation of using this protocol relates to the hour-long duration of the experiment. Children might need to complete all four statistical learning tasks in multiple sittings. Therefore, the web-based platform is designed with this limitation in mind so that tasks may be disseminated individually. This methodology will allow users to investigate how the process of statistical learning unfolds across and within domains and modalities in children from different developmental backgrounds.

Presented here is a protocol introducing a set of child-friendly statistical learning tasks geared towards examining children&#8217;s learning of temporal statistical patterns across domains and sensory modalities. The developed tasks collect behavioral data using the web-based platform and task-based functional magnetic resonance imaging (fMRI) data for examining neural engagement during statistical learning.

היסודות של ניתוח רב משתני של נתונים הדמייה

Summary

Explore More Videos

Chapters in this video