МРТ в Ульяновске: адреса и цены

Магнитно-резонансная томография за последние 10 лет стала медицинским термином, известным не только врачам практически всех специальностей, но и их многочисленным пациентам. С помощью этого метода врачи решают наиболее сложные диагностические задачи,  зачастую не представляя его реальных возможностей. Нередко пациенты пытаются представить себе, что это такое и для чего нужно, исходя из отрывочных сведений. Дефицит достоверной информации объединяет и тех, и других, создавая новые проблемы, которые можно и нужно решить. Мы дополним ваше представление об МРТ и ответим на некоторые наиболее существенные вопросы.

Итак, магнитно-резонансная томография. Или ядерно-магнитный резонанс? ЯМР? ЯМРТ? Как правильно?

Откройте любой медицинский справочник, и ответ будет однозначным. Магнитно-резонансная томография (МРТ) – метод получения диагностических изображений, основанный на использовании явления ядерно-магнитного резонанса. Главное в этом определении то, что этот метод не имеет никакого отношения к заряженным радиоактивным частицам и другим потенциально опасным для здоровья вещам. Поэтому весь мир, пользуется термином МРТ.

При МРТ не используются проникающие излучения, вредные для здоровья. И вот почему. Задача во время исследования – создать такие условия, при которых само тело пациента станет источником крайне слабых радиосигналов. Такие радиосигналы существуют без всякой дополнительной аппаратуры и условий, так как это один из индикаторов правильности протекания жизненных процессов в нашем организме. При МРТ мы лишь изолируем одного пациента – один источник – от всех остальных источников радиосигналов, чтобы максимально ослабить влияние помех. Затем с помощью аппаратного обеспечения томографа хаотичные сигналы упорядочиваются так, чтобы принимать их только из определенной области тела. Для этого нужно мощное, но безвредное для человека магнитное поле. Затем, используя очень чувствительные антенны и приемники, радиосигнал, принимается, обрабатывается сверхскоростным компьютером и получается изображение. Оно отражает распределение радиосигналов клеток человеческого тела в различных плоскостях и соотношениях. Такое изображение в медицине принято называть томограммой. Это самый важный этап. Нормальные клетки органов и тканей, не пораженных болезненным процессом, имеют один уровень сигнала. «Больные» клетки – это всегда другой, измененный сигнал в той или иной степени. На изображении измененные патологическим процессом участки тканей и органов выглядят иначе, чем здоровые. Это и есть основа медицинского диагностического изображения. Распознать детальные изменения – дело опыта врача-исследователя, производное качества аппаратуры. Главная задача заключается в получении максимально информативного изображения быстро и качественно, с комфортом для пациента.

Что мы можем?

 Какие задачи мы решаем? Пожалуй, здесь необходимо сосредоточить внимание на основных разделах нашей деятельности. Наиболее полную информацию можно получить, обратившись к нам по конкретному вопросу.

Томограммы содержат огромный объем информации о строении органов и тканей в определенной анатомической зоне. Структура, взаимосоотношение органов между собой, их размеры, конфигурация – вот те основные моменты, которые мы оцениваем в ходе исследования. Магнитно-резонансный томограф устроен таким образом, что в ходе одного сеанса невозможно обследовать все зоны интереса. Значит, одной из важнейших задач для врача, направляющего своего пациента на МРТ, является точное указание для нашего врача той анатомической области, в которой предстоит выполнить исследование. Кроме этого, существует большое разнообразие специальных программ и методик исследований. Каждая из таких программ подготовлена для выявления характерных признаков определенной группы патологических изменений. Поэтому провести МР-исследование по всем программам сразу – крайне длительная и очень дорогостоящая процедура. Как и другие медицинские исследования, МРТ служит для выявления тех заболеваний, которые невозможно выявить иным способом. Либо другой способ неприемлем в силу, например, противопоказаний. Значит, лечащий доктор, направляющий пациента на МРТ, должен формулировать конкретную цель такого направления.

В каких же ситуациях МРТ может быть максимально эффективным методом диагностики?

Головной и спинной мозг

До самого последнего времени исследования структуры и функции головного и спинного мозга были наименее разработанной частью медицинской диагностики. Только в начале 70-х годов ХХ века с изобретением рентгеновской компьютерной томографии  (КТ) эта задача получила свое первое решение. Однако, КТ сопряжена с рядом существенных недостатков: вредное для организма рентгеновское излучение (пусть даже и в очень небольших дозах), невозможность получения высококонтрастных изображений структур головного и спинного мозга без введения рентгеновских контрастных веществ и др.

МРТ свободна от этих недостатков в силу физического принципа получения изображений. Воспалительные, онкологические заболевания головного и спинного мозга, ишемические (состояние нарушения кровообращения) поражения их тканей, кровоизлияния, травматические поражения, наследственные заболевания, связанные с нарушением структуры головного и спинного мозга – вот основные группы патологических состояний, диагностика зачастую невозможна без помощи МРТ.

Позвоночник

Понятие остеохондроз вошло в нашу повседневную жизнь давно. В той или иной форме это заболевание поражает каждого человека. Вторая половина жизни множества людей осложняется появлением болей в области позвоночника, чаще всего в шейном или поясничном отделе. В некоторых случаях эти боли носят весьма выраженный характер, причиняя массу неудобств, а иногда даже ведут к обездвиживанию и инвалидности. Многие специалисты считают этот недуг следствием постоянной вертикальной нагрузки на позвоночник.

Больше всего при этом страдают межпозвонковые хрящевые диски. Они состоят из упругой соединительной ткани, принимающей и смягчающей, толчки и вертикальные нагрузки. Рядом с задними краями дисков расположен спинной мозг, нервные стволы, исходящие из него. Нарушения в межпозвонковых дисках приводят к раздражению этих нервных структур, к появлению дискомфорта, «ответных» болей.

Как же распознать, какой именно межпозвонковый диск поражен, и в какой стадии находится процесс развития патологических изменений? Ведь от этой информации напрямую зависит тактика необходимого лечения. На сегодняшний день наиболее информативным диагностическим методом в подобной ситуации во всем мире признана МРТ. Кроме остеохондроза существует масса других патологических состояний позвоночника и расположенных рядом образований (воспалительные и опухолевые заболевания, травматические повреждения позвонков и содержимого позвоночного канала и др.). Большинство из таких заболеваний на этапе диагностики также требуют проведения МРТ (снимки – МРТ шейного [верхний] и поясничного [нижний] отделов позвоночника).

Органы грудной и брюшной полостей

Несмотря на значительное количество диагностических методов, существующих для исследования состояния легких, сердца, печени, почек, желудка, кишечника, желчного пузыря и поджелудочной железы, МРТ часто оказывается необходимым, а иногда – единственным эффективным способом получения ценной информации о структуре и функции органов грудной и брюшной полостей. Например, не существует ни одного сравнимого по информативности с МРТ метода исследования состояния расположенных за грудиной структур (вилочковой железы, лимфатических узлов, в некоторых ситуациях – сердца и его сосудов). В других случаях, когда имеются противопоказания к применению традиционных диагностических приемов, МРТ также может оказаться единственным эффективным диагностическим методом.

Мы можем, например, получить изображение печени, внутрипеченочных желчных протоков и желчного пузыря, поджелудочной железы, селезенки, почек – и все это в течение одного диагностического сеанса. Эффективность МРТ в таких ситуациях напрямую зависит от сложности поставленной задачи: например, нет смысла искать с помощью МРТ камни в желчном пузыре, если это можно сделать с помощью ультразвукового исследования. Но вот исключить наличие таких камней в желчных протоках – это задача уже для МР-холангиографии. Есть и аспекты неизбежных ограничений, присущих любому диагностическому исследованию, в том числе, МРТ. Ни один врач не станет направлять пациента с предполагаемой язвой желудка на МРТ, так как это не даст однозначных результатов.

Таковы особенности МРТ. Точно так же нецелесообразным будет разыскивать на МРТ возможный опухолевый очаг, например, в различных отделах кишечника. А вот точно определить, распространился ли опухолевый процесс на расположенные рядом лимфатические узлы, органы и ткани – это задача как раз для МРТ (снимки – МРТ печени [верхний] и внутрипеченочных желчных протоков[нижний]).

Кости, суставы, мышцы

Подавляющее количество диагностических исследований при заболеваниях костей и суставов – это рентгеновские исследования. Действительно, компьютерная томография позволяет с высокой точностью изучить структуру костной ткани. А как же другие органы и системы, расположенные либо рядом с костью (мышцы, связки, хрящевая ткань суставов), либо прямо в ней (костный мозг)? До появления МРТ практически всегда использовалось два метода: ультразвук, если необходимо изучить состояние крупного сустава (например, коленного), но тогда не увидим, что происходит с костными элементами сустава; либо артроскопия, но это уже серьезная хирургическая процедура, требующая подготовки, наркоза, вскрытия полости сустава и т.д. И все равно остаются проблемы с мелкими суставами, с подвижностью сустава, и др. Конечно, невозможно провести полную диагностику только с помощью одного метода. Но ценность МРТ в том и состоит, что с ее помощью можно ответить сразу на многие вопросы очень большого раздела медицины – ортопедии. Любой специалист-диагност скажет вам, что с помощью МРТ нельзя непосредственно «увидеть» структуру костной ткани. Имея заранее полученные данные рентгеновского исследования и проведя в дальнейшем МРТ в случаях, требующих уточнения ситуации, мы можем достоверно судить о целом комплексе изменений. Это касается крупных суставов (коленный, тазобедренный, плечевой, голеностопный), и мелких (например, нижнечелюстного, лучезапястного и др.)

Артерии и вены

Существует большое количество заболеваний, поражающих сосудистую систему человеческого организма. Достаточно упомянуть атеросклероз, варикозную болезнь… Конечно, есть немало методов изучения состояния сосудистой системы – ангиография, ультразвуковая допплерография, реовазография. Что ценного может дать МРТ в этой области диагностики? Как всегда, сочетание достоинств разных методов без присущих им недостатков. Например, высокая информативность, характерная для традиционной рентгеновской ангиографии, без необходимости введения контрастных средств. Плюс безвредность и функциональность допплеровского исследования одновременно с ангиографией!

Также имеется возможность проведения всех процедур без какой-либо предварительной подготовки пациента. Например, при проведении МРА (магнитно-резонансной ангиографии) артерий головного мозга одновременно с исследованием его структуры. Все это – примерно за 15-20 минут. Безвредно для детей и взрослых. Можно исследовать вены нижних конечностей. А затем – и артерии. Отдельно подсчитать скорость и объем кровотока по сосудам каждой конечности в каждом конкретном участке. Сравнить, сделать выводы и определить ход дальнейшего лечения (снимок – МРА артерий головного мозга).

Что нам необходимо узнать от вас?

Вы прочитали очень краткий обзор, посвященный огромной отрасли современной диагностики – магнитно-резонансной томографии. Информация, изложенная здесь, поверхностно касается различных аспектов применения МРТ. Как и у каждого диагностического метода, у МРТ существуют свои показания к применению, а также строго оговоренные противопоказания.

 МРТ не может разрешить все диагностические проблемы. Этот метод в чем-то несовершенен, малоизучен. Но уже сейчас мы можем сказать о нем самое главное: МРТ наиболее информативна и безопасна во многих сложных случаях.  Производя свою работу, мы не в состоянии учесть массу деталей состояния нашего пациента за тот короткий период, что занимает наше исследование. Мы не можем быть суперспециалистами сразу во всех областях медицины. Чтобы наше заключение было максимально информативным, качественным и точным, мы нуждаемся в предварительной информации. Эти сведения ограничат для нас круг задач, вопросов, на которые мы должны будем дать ответ. Да, магнитно-резонансный томограф – очень точный и совершенный прибор. Томограммы, полученные с его помощью, содержат огромный объем информации. Вот только найти и оценить эту информацию томограф не сможет. Это – работа человека, врача. Итак, Вы – пациент. Как же Вам поступить? Чтобы помочь врачу быть максимально полезным Вам, стоит придерживаться простых и понятных правил:

1. Сначала пройдите первичный осмотр Вашего лечащего врача, консультации назначенных им специалистов, анализы и т.д. Дайте Вашему лечащему врачу оценить полученную на этом этапе информацию, «сузить» круг дальнейшего поиска.
2. Если Вам назначена МРТ, это еще не говорит о каких-то глобальных проблемах в Вашем здоровье. Возможно, МРТ – один из немногих способов получить информацию о состоянии Вашего заболевания, либо просто его исключить.
3. Строго и точно выполняйте требования и рекомендации специалистов МРТ. Они выработаны длительным опытом напряженной не самой легкой работы множества людей, объединенных единственной целью – помочь Вам.

Врач: молодым хоккеистам должны делать МРТ головного мозга в обязательном порядке — 28.11.2021

МОСКВА, 27 ноября. /Корр. ТАСС Рустам Шарафутдинов/. Молодые хоккеисты при медицинском осмотре в обязательном порядке должны проходить МРТ головного мозга, чтобы предотвратить трагические случаи. Такое мнение ТАСС высказал врач клуба Молодежной хоккейной лиги «Чайка» Владимир Кремлев.

В субботу московское «Динамо» сообщило, что в возрасте 16 лет после травмы, полученной в матче Открытого чемпионата Москвы с ЦСКА, скончался защитник команды и юниорской сборной России (до 17 лет) Валентин Родионов. Инцидент произошел 21 ноября. Родионов потерял сознание и был доставлен в реанимацию Морозовской городской клинической больницы, где ему была проведена операция. Матчи всех профессиональных российских хоккейных лиг 28 ноября начнутся с минуты молчания.

«Нужно более строго и тщательно проводить медицинский осмотр. Как бы родители не хотели, чтобы из их сыновей выросли Овечкины, не у всех это получается и здоровья не у всех хватает, — сказал Кремлев. — Врачи делали все правильно и корректно в ситуации с госпитализацией игрока [Родионова], поскольку это нужно делать, если ты чего-то не понимаешь на месте. Ему вовремя сделали операцию, но он не вытянул».

По словам врача, возможные патологии у игроков можно обнаружить, в частности, при обследовании глазного дна. «Человеку надо было сделать МРТ головного мозга, его обязательно могут и не делать — только по рекомендации доктора. В молодом возрасте довольно много заболеваний, которые завуалированы, их трудно распознать, поэтому игроков смотрят чуть ли не вдвое больше специалистов по сравнению с Континентальной хоккейной лигой», — подчеркнул он.

«Хоккей — это толчки, удары в голову, шайба попадает, поэтому я бы заменил УЗИ щитовидной железы, что обязательно на УМО, на МРТ головного мозга. МРТ стоит дороже УЗИ щитовидки, наверняка это и финансово бьет по клубам, но здоровье дороже. И что касается генетики, нынешнее поколение сильно разнится с тем, которое было 20−30 лет назад. То было генетически более здоровым», — добавил эксперт.

Заболевания кишечника диагностика и лечение — Медцентр «Надежда»

Недуг крайне серьезен, он связан с нарушением функционирования желудочно-кишечного тракта, заболевание кишечника может иметь различные симптомы, среди них:

• наличие болевых ощущений в области живота;
• наличие метеоризма, то есть скопления газов;
• наличие диареи или наоборот запоров;
• наличие кишечных кровотечений.

Причины болезни кишечника

Зачастую одной причины недостаточно для появления болезни. На нее влияют несколько существенных факторов.  Примечателен тот факт, что чем больше факторов, тем более тяжелую форму обретает патологический процесс. Среди основных причин стоит отметить:

• генетическая предрасположенность;
• прием вредной пищи;
• наличие  серьезных стрессов;
• наличие вредных привычек;
• наличие кишечных инфекций.
  

  Симптомы

  Клиническая картина заболеваний кишечника:

  • Диспепсический синдром. Тошнота, рвота, неприятный привкус во рту, изменение количества актов дефекации (запоры, диарея) и объема каловых масс (стул жидкий, с включениями непереваренной пищи, нехарактерным запахом), снижение аппетита, метеоризм (повышенное газообразование), урчание, тенезмы (ложные позывы к дефекации).
  • Болевой синдром. Выраженность зависит от локализации, тяжести и распространенности патологического процесса. Острая, тупая, ноющая, приступообразная боль в правой или левой подвздошной, околопупочной, эпигастральной области, в правом или левом подреберье.
  • Заболевания кишечника сопровождаются нарушением моторики кишечника (бурная, ускоренная или замедленная перистальтика).
  • Интоксикационный синдром. Повышение температуры тела, общая слабость, головные боли, быстрая утомляемость, бессонница, изменение психоэмоционального статуса (плаксивость, раздражительность).
  • Аллергические реакции. Кожные высыпания, приступы бронхоспазма, падение артериального давления, потеря сознания, анафилактический шок. Обусловлены накоплением в организме токсических веществ, глистными инвазиями, снижением иммунной реактивности.
  • Обезвоживание, изменение электролитного состава и кислотно-основного состояния плазмы крови, выпадение волос, истончение и исчерченность ногтей, заеды в углах рта, снижение массы тела, сухость и бледность кожного покрова, анемия. Вызваны потерей жидкости через прямую кишку, недостаточным всасыванием питательных веществ в просвете кишечника. В тяжелых случаях отмечаются судороги, сердечные аритмии, дыхательная недостаточность, летаргия (патологический сон при гипонатриемии), гипотензия (снижение артериального давления), сосудистый коллапс, смертельный исход.

  Симптоматика заболеваний кишечника определяется пораженным отделом пищеварительного тракта.

  Распространенные заболевания кишечника

  В клинической практике выделяют:

  • Энтерит – воспаление слизистой оболочки тонкого кишечника. Возникает на фоне инфекционной патологии, глистной инвазии, пищевой токсикоинфекции (употребление некачественной пищи). Характерно сочетание с поражением других отделов желудочно-кишечного тракта: гастроэнтерит, энтероколит. Сопровождается полифекалией (увеличением объема каловых масс), диареей (стул 3-5 раз в день), повышением температуры тела, болями в околопупочной области.
  • Колит – патологический процесс, характеризующийся воспалительной реакцией и поражением слизистой оболочки толстого кишечника. Проявляется диспепсическим (чередование запоров и диареи, тошнота, рвота), болевым (дискомфорт, болезненные ощущения в животе, которые вызываются тряской, интенсивной ходьбой, приемом пищи и купируются лекарственными препаратами), интоксикационным синдромами. Характерно нарушение переваривания пищи и всасывания питательных веществ.
  • Синдром раздраженного кишечника – функциональное нарушение работы толстого кишечника. Проявляется дискомфортом в области живота, изменением количества и качества стула (диарея, запор), изменением психоэмоционального состояния. Это диагноз исключения: он ставится после выполнения диагностических манипуляций, опровергающих наличие органической патологии (к примеру, инфекции, опухолевого новообразования).
  • Болезнь Крона – хронический аутоиммунный воспалительный процесс, поражающий тонкий и толстый кишечник. Проявляется образованием язв в стенке органа (под микроскопом определяются гранулемы). Клиническая картина заболевания: потеря веса, боли в животе, урчание, диспепсический синдром (тошнота, рвота, стул с примесью слизи и крови). В тяжелых случаях язвы перфорируют с развитием перитонита. Редко отмечается поражение глаз, пищевода, желудка, суставов, слизистой ротовой полости.
  • Неспецифический язвенный колит – формирование язв слизистой оболочки толстого кишечника. Вероятная причина – микробное заражение: отмечается эффективность специфических антибиотиков. Симптоматика: стул с патологическими примесями (слизь, кровь), болевой и интоксикационный синдромы.
  • Рак – злокачественное новообразование. Третье место среди распространенной онкологической патологии (после рака легких, желудка или молочной железы у женщин) занимает колоректальный рак (прямой кишки). Вероятно развитие на фоне доброкачественных разрастаний эпителия кишечника – полипов. Симптомы заболевания: резкая потеря веса, диарея, запоры, обтурационная кишечная непроходимость, болевой синдром.
  • Дивертикулез – выпячивание стенки кишечника в обратную от просвета органа сторону. Вероятная причина: употребление пищи, содержащей малое количество растительных волокон, клетчатки. Пациенты – преимущественно люди старшей возрастной группы. Проявляется болями в животе, повышением температуры, общей слабостью, рвотой, диареей.

  В клинической практике также часто диагностируют эозинофильный энтерит, целиакию, болезнь Уиппла, геморрой, анальные трещины, дисбактериоз, папиллит, эпителиальный копчиковый ход.

  Диагностика заболеваний кишечника

  Поставить диагноз помогают:

  • Посев кала на микрофлору и чувствительность к антибиотикам.
  • Биохимический анализ каловых масс.
  • Соскоб на глистные инвазии.
  • УЗИ органов брюшной полости.
  • Рентгенография органов брюшной полости – определяет наличие свободного газа, чаши Клойбера, язвенных поражений, расширенных петель кишечника.
  • Ректороманоскопия – визуализация прямой кишки гибким эндоскопом.
  • Ирригоскопия – рентгенологический метод исследования, предполагающий введение контрастного вещества в полость толстого кишечника.
  • Колоноскопия – введение эндоскопа в толстый кишечник (до печеночного угла).
  • Капсульная эндоскопия – пациент глотает специальную капсулу, оснащенную видеокамерой.
  • КТ, МРТ.

  Объем исследований при заболеваниях кишечника определяет лечащий врач.

Заболевание кишечника: лечение

Перечисленные симптомы и признаки, свидетельствующие о заболевании кишечника должны вызвать у вас опасения. Это существенный повод обратиться за медицинской помощью.

Прежде всего, квалифицированные специалисты помогут выявить разновидность недуга, после чего назначат правильное лечение. Самостоятельная борьба с недугом может привести к обострению заболевания.

Проблемная статья ЖУРНАЛ ИНФЕКТОЛОГИИ МОЛЕКУЛЯРНО-ГЕНЕТИЧЕСКИЕ МЕХАНИЗМЫ ВИРУЛЕНТНОСТИ PLASMODIUM FALCIPARUM И ПАТОГЕНЕЗА ТРОПИЧЕСКОЙ МАЛЯРИИ

Проблемная статья

Том 10, № 3, 2018 ЖУРНАЛ ИНФЕКТОЛОГИИ

28

5. Морозов, Е.Н. Перспективы применения методов

молекулярной паразитологии в мониторинге за социально

значимыми паразитозами: автореф. дис. …д-ра биол. наук /

Е.Н. Морозов. – М.: Первый МГМУ, 2018. –31 с.

6. Сергиев, В.П. Модуляция вирулентности Plasmodium

falciparum как фактор саморегуляции паразитарной систе-

мы малярии / В.П. Сергиев, Т.П. Сабгайда, А.В. Кондрашин

// Медицинская паразитология и паразитарные болезни.

– 2000. – № 2. – С. 47–53.

7. World malaria report 2017 / WHO, Geneva. – 2017. –

196 pр.

8. Rowe, J.A. Adhesion of Plasmodium falciparum-infected

erythrocytes to human cells: molecular mechanisms and thera-

peutic implications / J.A. Rowe // Expert Reviews in Molecular

Medicine. – 2009. –Vol.11. – P.1-29.

9. David, P.H. Parasite sequestration in Plasmodium falci-

parum malaria: spleen and antibody modulation of cytoadher-

ence of infected erythrocytes / P. H. David [at al.] // Proc. Natl.

Acad. Sci. USA. – 1983. – Vol. 80,№ 16. – P. 5075-5079.

10. Warimwe, G.M. Serological Conservation of Parasite-

Infected Erythrocytes Predicts Plasmodium falciparum Eryth-

rocyte Membrane Protein 1 Gene Expression but Not Severity

of Childhood Malaria / G. M. Warimwe [at al.] // Infection and

Immunity. – 2016. – Vol.84,№5. – P. 1331-1335.

11. Baruch, D.I. Cloning the P.falciparum gene encoding

PfEMP1, a malarial variant antigen and adherence receptor on

the surface of parasitized human erythrocytes / D.I. Baruch [at

al.] // Cell. – 1995. – Vol.82,№1. – P.77–87.

12. Smith, J.D. Switches in expression of Plasmodium fal-

ciparum var genes correlate with changes in antigenic and cy-

toadherent phenotypes of infected erythrocytes / J.D. Smith [at

al.] // Cell. – 1995. – Vol.82,№1. – P.101–110.

13. Kirchner, S. Recent advances in malaria genomics and

epigenomics / S. Kirchner [at al.] // Genome Med. – 2016. –

Vol.8,№1. – P.1-17.

14. Bechtsi, D.P. Genomics and epigenetics of sexual com-

mitment in Plasmodium / D.P.Bechtsi, A.P.Waters // Interna-

tional Journal for Parasitology. – 2017. – Vol. 47. – P. 425-

434.

15. Pasternak, N.D. PfEMP1: An antigen that plays a key

role in the pathogenicity and immune evasion of the malaria

parasite Plasmodium falciparum / N.D. Pasternak, R. Dzikowski

// The International Journal of Biochemistry & Cell Biology. –

2009. – Vol.41,№7. – P.1463–1466.

16. Smith, J.D. Classification of adhesive domains in the

Plasmodium falciparum Erythrocyte Membrane Protein 1 fam-

ily / J.D. Smith [at al.] // Molecular and Biochemical Parasitol-

ogy. – 2000. – Vol.110,№2. – P.293–310.

17. Rug, M. The role of KAHRP domains in knob formation

and cytoadherence of P.falciparum-infected human erythro-

cytes / M. Rug [at al.] // Blood. – 2006. – Vol.108,№1. –

P.370–378.

18. Senczuk, A. M. Plasmodium falciparum erythrocyte mem-

brane protein 1 functions as a ligand for P-selectin / A.M. Senc-

zuk [at al.] / Blood. – 2001. – Vol.98,№10. – P.3132–3135.

19. Turner, L. Severe malaria is associated with parasite

binding to endothelial protein C receptor / L. Turner [at al.] //

Nature. – 2013. – Vol.498,№7455. – P.502–505.

20. Angeletti, D. Binding of subdomains 1/2 of PfEMP1-

DBL1α to heparan sulfate or heparin mediates Plasmodium fal-

ciparum resetting / D. Angeletti [at al.] // PLoS One. – 2015.

– Vol.10,№3. – P.1-15.

21. Smith, J.D. Identification of a Plasmodium falciparum

intercellular adhesion molecule-1 binding domain: A parasite

adhesion trait implicated in cerebral malaria / J. D. Smith [at al.]

// Proceedings of the National Academy of Sciences. – 2000.

– Vol.97,№4. – P.1766–1771.

22. Kraemer, S.M. A family affair: var genes, PfEMP1 bind-

ing, and malaria disease / S.M. Kraemer, J.D Smith // Current

Opinion in Microbiology. – 2006 – Vol.9,№4. – P.374–380.

23. Helms, G. Modeling cytoadhesion of Plasmodium falci-

parum infected erythrocytes and leukocytes – common princi-

ples and distinctive features / G. Helms [at al.] // FEBS Letters.

– 2016. – Vol.590. – P. 1955–1971.

24. Lalchhandama, K. Plasmodium falciparum erythrocyte

membrane protein 1 / K. Lalchhandama // WikiJournal of

Medicine. – 2017. – Vol.4,№1. – P.1-8.

25. Michal, F. Designing a VAR2CSA-based vaccine to pre-

vent placental malaria / F.Michal, E.D.Patrick // Vaccine. –

2015. -Vol.33,№1. – P.7483-7488.

26. Clinton, K.Y. Structural conservation despite huge se-

quence diversity allows EPCR binding by the PfEMP1 family

implicated in severe childhood malaria / K.Y. Clinton [at al.]

// Cell Host Microbe. – 2015. – Vol.17,№ 1. – P.118–129.

27. Bechtsi, D.P. Genomics and epigenetics of sexual commit-

ment in Plasmodium / D.P. Bechtsi, A.P. Waters // International

Journal for Parasitology. – 2017. – Vol.47. – P. 425–434.

28. Chen, D.S. A Molecular Epidemiological Study of var

Gene Diversity to Characterize the Reservoir of Plasmodium fal-

ciparum in Humans in Africa / D. S. Chen [at al.] // PLoS ONE.

– 2011. – Vol.6. – P.1-12.

29. Mundwiler-Pachlatkoa, E. Maurer’s clefts, the enigma of

Plasmodium falciparum / E. Mundwiler-Pachlatkoa, H.-P. Beck

// PNAS. – 2013 – Vol. 110,№50. – P.19987–19994.

References

1. Baranova, A.M. Malyariya: diagnostika, lechenie i pro-

filaktika / A.M. Baranova // Infekcionny`e bolezni: Novosti.

Mneniya. Obuchenie. – 2014,№1. – S.39-44.

2. Bronshtejn, A.M. Ot kolonial`noj i voennoj mediciny`

k medicine tropicheskoj: doroga vremenny`x porazhenij i

znamenity`x pobed / A.M. Bronshtejn, N.A. Maly`shev, Yu.V.

Lobzin // E`pidemiologiya i infekcionny`e bolezni. – 2015,№

2. – S.43-48.

3. Kondrashin, A. V. Tendencii v bor`be s malyariej v mire

/ A. V. Kondrashin, A.M. Baranova, L.F. Morozova, E.N Stepa-

nova. // Med. parazitol. – 2011,№ 4. – S. 3-7.

4. Ly`senko, A.Ya. Malyariologiya / A. Ya. Ly`senko, A.V.

Kondrashin, M.N. Ezhov / VOZ. – Kopengagen: 2003. – 510 s.

5. Morozov, E.N. Perspektivy` primeneniya metodov mole-

kulyarnoj parazitologii v monitoringe za social`no znachimy`mi

parazitozami: avtoref. dis. …d-ra biol. nauk / E.N. Morozov. –

M.: Pervy`j MGMU, 2018. –31 s.

6. Sergiev, V.P. Modulyaciya virulentnosti Plasmodium

falciparum kak faktor samoregulyacii parazitarnoj sistemy`

malyarii / V.P. Sergiev, T.P. Sabgajda, A.V. Kondrashin //

Medicinskaya parazitologiya i parazitarny`e bolezni. – 2000,№

2. – S.47-53.

7. World malaria report 2017 / WHO, Geneva. – 2017. –

196 pр.

8. Rowe, J.A. Adhesion of Plasmodium falciparum-infected

erythrocytes to human cells: molecular mechanisms and thera-

peutic implications / J.A Rowe // Expert Reviews in Molecular

Medicine. – 2009. –Vol.11. – P.1-29.

9. David, P.H. Parasite sequestration in Plasmodium falci-

parum malaria: spleen and antibody modulation of cytoadher-

ence of infected erythrocytes / P. H. David [at al.] // Proc. Natl.

Acad. Sci. USA. – 1983. – Vol. 80,№ 16. – P. 5075-5079.

10. Warimwe, G.M. Serological Conservation of Parasite-

Infected Erythrocytes Predicts Plasmodium falciparum Eryth-

rocyte Membrane Protein 1 Gene Expression but Not Severity

of Childhood Malaria / G.M. Warimwe [at al.] // Infection and

Immunity. – 2016. – Vol.84,№5. – P. 1331-1335.

Интерпретируемое предсказание возраста мозга с использованием моделей линейных латентных переменных функциональной связности

Abstract

Предсказание возраста мозга с помощью нейровизуализации, определяемое как прогнозируемый биологический возраст субъекта с использованием только данных визуализации мозга, является захватывающим направлением исследований. В этой работе мы стремимся построить модели возраста мозга на основе функциональной связи, отдавая приоритет интерпретируемости и пониманию модели. Таким образом, модели служат для обеспечения точных оценок возраста мозга, а также позволяют нам исследовать изменения в функциональных связях, которые происходят в процессе старения. Методы, предложенные в этой работе, состоят из двухэтапной процедуры: во-первых, линейные модели латентных переменных, такие как PCA и его расширения, используются для изучения воспроизводимых сетей функциональной связи, присутствующих в когорте субъектов. Активность в каждой сети впоследствии используется в качестве функции в модели линейной регрессии для прогнозирования возраста мозга. Предлагаемая структура используется на данных из репозитория CamCAN, а предполагаемые модели возраста мозга дополнительно демонстрируются для обобщения с использованием данных из двух репозиториев с открытым доступом: Human Connectome Project и ATR Wide-Age-Range.

Образец цитирования: Monti RP, Gibberd A, Roy S, Nunes M, Lorenz R, Leech R, et al. (2020) Интерпретируемое предсказание возраста мозга с использованием линейных моделей скрытых переменных функциональной связи. ПЛОС ОДИН 15(6):
е0232296.

https://doi.org/10.1371/journal.pone.0232296

Редактор: Карло Витторио Каннистрачи,
Технический университет Дрездена, ГЕРМАНИЯ

Поступила в редакцию: 4 декабря 2019 г. ; Принято: 11 апреля 2020 г .; Опубликовано: 10 июня 2020 г.

Авторское право: © 2020 Monti et al.Это статья с открытым доступом, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Доступность данных: Что касается данных CamCAN, использовались данные фМРТ в состоянии покоя. Доступ к этому можно получить по адресу: https://camcan-archive.mrc-cbu.cam.ac.uk/dataaccess/. Что касается данных HCP, мы изучили данные фМРТ в состоянии покоя из набора данных HCP Young Adult: https://www.humanconnectome.org/study/hcp-young-adult/document/1200-subjects-data-release. Что касается данных ATR Wide-Age-Range, были изучены данные фМРТ в состоянии покоя: https://bicr-resource.atr.jp/impact/.

Финансирование: об. /мин. был поддержан Благотворительным фондом Гэтсби. AH был поддержан стипендией CIFAR и института конвергенции DATAIA в рамках «Programme d’Investissement d’Avenir» (ANR-17-CONV-0003), управляемой Inria. М.К. был частично поддержан грантом MEXT для научных исследований (KAKENHI 18KK0284, 19H04924).

Конкурирующие интересы: Авторы заявили об отсутствии конкурирующих интересов.

1 Введение

Человеческий мозг изменяется в течение жизни взрослого человека, что приводит к устойчивым и воспроизводимым изменениям в его структуре и функциях [1, 2]. Более того, есть основания предполагать, что отклонения от типичной траектории старения мозга могут отражать латентные невропатологические влияния [3], что служит мотивацией для дальнейших исследований по разработке надежных биомаркеров, полученных из данных визуализации мозга.Такие биомаркеры могут иметь основополагающее значение для лучшего понимания возрастных нейродегенеративных заболеваний и борьбы с ними. На сегодняшний день ранние исследования показали успех в контексте черепно-мозговой травмы [4] и шизофрении [5].

В связи со значительными потенциальными преимуществами, связанными с возрастными биомаркерами, определяемыми визуализацией мозга, было предложено множество статистических моделей здорового старения мозга. Эти модели различаются по сложности, а также по классу используемых данных нейровизуализации.Одной из первых демонстраций была демонстрация [6], которая использовала морфометрию на основе вокселей для демонстрации структурных изменений, происходящих при здоровом старении. Совсем недавно был использован широкий спектр сложных методов машинного обучения [7, 8, 9]. [4] использовали регрессию процесса Гаусса для прогнозирования биологического возраста субъектов с использованием данных структурной нейровизуализации, демонстрируя, что такая модель способна точно предсказывать возраст мозга. Полученная модель была впоследствии применена к субъектам с черепно-мозговой травмой (ЧМТ), где было показано, что соответствующие остаточные явления (разница между прогнозируемым и истинным биологическим возрастом) оказались значительно больше для субъектов с ЧМТ по сравнению со здоровыми субъектами; ассоциированная модель постоянно предсказывала, что субъекты с ЧМТ будут на старше , возможно, в результате ускоренной атрофии. Эта работа была расширена [10], которые использовали сверточные нейронные сети для повышения производительности. В родственной работе [11] используется ядерная регрессия в приложении к ранней идентификации болезни Альцгеймера.

В то время как подавляющее большинство литературы использовало методы структурной визуализации, есть также многочисленные примеры использования функциональной визуализации. Подходящим примером является [12], который использует фМРТ в состоянии покоя вместе с машинами опорных векторов (SVM), чтобы точно классифицировать субъектов как детей (возраст 7-11 лет) или взрослых (возраст 24-30 лет). .Кроме того, они наблюдают общее снижение сетевого подключения по мере взросления субъектов. В связанной работе [13] идентифицируют возрастные изменения функциональной связи, подчеркивая снижение связи в сети режима по умолчанию и в соматомоторной сети. Впоследствии [14] классифицировали изменения функциональной связи, которые происходят при здоровом старении, с точки зрения различных сетевых показателей.

В более общем плане изучение функциональной связности само по себе является захватывающим направлением современных нейробиологических исследований, которые продемонстрировали большой потенциал для улучшения нашего понимания функций и архитектуры человеческого мозга [15].Например, изменения в функциональных связях связаны с различными невропатологиями, такими как болезнь Паркинсона [16] и болезнь Альцгеймера [17], а также с такими состояниями, как аутизм [18]. В последнее время начали изучать изменения функциональной связности, вызванные старением. В первоначальных исследованиях сообщалось о значительных различиях в связи между молодыми и пожилыми людьми с использованием фМРТ в состоянии покоя [14]. Более того, результаты, по-видимому, свидетельствуют о важных изменениях, происходящих в связности не только между регионами, но и на уровне целых сетей.Однако, несмотря на недавние достижения, целостного понимания взаимосвязи между здоровым старением и связанными с ним изменениями функциональной связи все еще нет.

В этой работе мы стремимся построить надежные модели возраста мозга, основанные на функциональной связности людей. Это служит для объединения двух важных направлений нейробиологических исследований: прогнозирования возраста мозга и анализа функциональных связей. В частности, методы, представленные в этой работе, преследуют две основные цели:

1. Чтобы продемонстрировать, что показатели функциональной связности можно надежно использовать в качестве признаков в моделях машинного обучения возраста мозга.С этой целью мы создаем и проверяем модели, используя три больших набора данных с открытым исходным кодом: Кембриджский центр старения и неврологии (CamCAN), Human Connectome Project (HCP) и наборы данных ATR Wide-Age-Range.
2. Далее мы хотим интерпретировать и исследовать предложенные модели, чтобы лучше понять изменения функциональной связи, связанные со старением. Это требует использования экономичных и простых прогностических моделей вместе с функциями, связь которых с функциональной концептивностью ясно понята.

В этой статье мы выдвигаем тезис о том, что для достижения потенциального воздействия оценки функциональной связности (т. е. с точки зрения разработки мощных биомаркеров) исследовательскому сообществу необходимо разработать надежные методы анализа данных, которые могут сочетать как контролируемые и неконтролируемые модели функционального анализа связности. Вместо того, чтобы корректировать существующие статистические методы, необходимо разработать методы, которые были бы интуитивными, интерпретируемыми и проницательными с нейрофизиологической точки зрения.Такие модели должны использовать как можно больше экспериментальной информации, чтобы исследовать факторы, влияющие на функциональную связность.

Чтобы дополнительно обосновать наш тезис, следует учитывать, что большинство экспериментов на сегодняшний день оперируют данными из одной лаборатории или класса экспериментов, что ограничивает общность любых полученных результатов. Такие опасения были недавно признаны, особенно в контексте старения мозга [19, 20], и привели к сотрудничеству между несколькими лабораториями с обменом данными, который становится все более распространенным явлением. Однако по-прежнему крайне маловероятно, что все характеристики субъекта (и то, как они измеряются) будут сопоставимы в разных экспериментальных средах. Таким образом, несмотря на значительный прогресс в обмене данными, можно утверждать, что влияние этих усилий еще впереди, и для достижения этого нам необходимо разработать методы, которые могут объединять информацию из разрозненных, но информативных экспериментов.

С этой целью мы действуем в два этапа. Во-первых, мы стремимся изучить надежные функции, которые обобщают свойства функциональной связности среди группы субъектов в неконтролируемой манере.Из-за нашего внимания к интерпретируемости мы фокусируемся на линейных моделях скрытых переменных, таких как анализ основных компонентов (PCA), анализ независимых компонентов (ICA) и их обобщения. Преимущество использования моделей скрытых переменных, таких как PCA, заключается в том, что мы можем интерпретировать скрытые переменные с точки зрения активности в сетях функциональных связей, как это было предложено в [21] (см. также рис. 2 ниже). Во-вторых, как только признаки были получены неконтролируемым образом, они впоследствии используются для прогнозирования возраста мозга с использованием стандартных моделей линейной регрессии.Мы намеренно ограничиваемся простыми линейными классификаторами, поскольку их можно легко исследовать, что позволяет нам явно понять, как каждая функция влияет на прогнозируемый возраст мозга. Обзор нашего двухэтапного подхода представлен на рис. 1.

Рис. 1. Конвейер для оценки сетей, факторных нагрузок и прогностической модели биологического возраста мозга.

Предполагаемые факторы описывают сети, которые воспроизводятся во всем населении. Затем для прогнозирования возраста мозга используются специфические для субъекта факторные нагрузки.После того, как факторные нагрузки оценены, как указано выше, с использованием одного экспериментального набора данных (мы используем данные CamCAN в наших экспериментах), мы можем затем оценить, как эти факторы работают для прогнозирования возраста мозга на полностью удерживаемых наборах данных; мы демонстрируем, как модель хорошо обобщается, используя наборы данных HCP и ATR Wide-Age-Range.

https://doi.org/10.1371/journal.pone.0232296.g001

Рис. 2. Рисунок, демонстрирующий взаимосвязь между моделями линейных латентных переменных, такими как PCA и его расширения, и предполагаемыми сетями.

Мы подчеркиваем, как введение различных структурных ограничений на матрицу нагрузки, W , улучшает интерпретируемость таких моделей.

https://doi.org/10.1371/journal.pone.0232296.g002

Оставшаяся часть этой рукописи организована следующим образом: в разделе 2 мы сначала рассматриваем модели линейных скрытых переменных и их значение для функционального анализа связности. Затем мы представляем предлагаемую нами двухэтапную процедуру. Экспериментальные результаты изучения как синтетических, так и реальных данных фМРТ в состоянии покоя представлены в разделе 3.

2 Материалы и методы

Мы сосредоточили наш анализ на данных временных рядов фМРТ в состоянии покоя, которые были собраны в когорте из N субъектов. Для i субъекта предполагается, что у нас есть доступ к измерениям фМРТ более p фиксированных областей интереса, обозначенных как , а также возраст субъекта, . На протяжении всей этой работы мы приблизительно моделируем данные фМРТ для каждого субъекта с помощью стационарного многомерного распределения Гаусса, где Σ ^{( i )} обозначает ковариацию для субъекта i .Каждая запись в Σ ^{( i )} обозначает ковариацию между любой парой областей, которая служит для определения меры функциональной связности [22]. Отсюда следует, что Σ ^{( i )} кодирует функциональную сеть связности по p областям, где ребра кодируют структуру маргинальной зависимости.

Целью предлагаемых методов является изучение интерпретируемых и надежных моделей для прогнозирования биологического возраста, a ^{( i )} субъектов, получивших информацию, относящуюся только к их функциональной связности. Для этого мы предлагаем двухступенчатую структуру. Наш подход сначала использует линейные модели скрытых переменных для моделирования многомерных матриц связности с использованием уменьшенного числа скрытых переменных. Мы интерпретируем такие переменные как соответствующие функциональным сетям связности, что позволяет нам описывать паттерны связности как состоящие из различных отдельных сетей. Отметим, что такой двухэтапный подход ранее применялся в контексте предсказания возраста мозга [11, 9].Однако, насколько нам известно, это первая работа, в которой напрямую интерпретируется роль моделей линейных латентных переменных, таких как PCA, как изучение соответствующих функциональных сетей. Таким образом, эта работа обеспечивает четкую мотивацию и интерпретацию такой двухэтапной стратегии.

В разделе 2.1 мы обсудим различные используемые модели скрытых переменных и подчеркнем, как введение допущений, таких как неотрицательность, может помочь еще больше улучшить интерпретируемость результатов. Мы также обсудим теоретические преимущества, связанные с такими предположениями.Затем мы обсудим, как признаки (т. е. функциональные сети), выведенные моделями латентных переменных, можно использовать для построения линейных моделей возраста мозга.

2.1 Линейные модели со скрытыми переменными для функциональной связности: PCA и ее расширения

В этом разделе мы описываем линейные модели скрытых переменных, используемые на этапе обучения без учителя в предлагаемой структуре. Мы начнем с обсуждения анализа главных компонентов (PCA), хорошо зарекомендовавшего себя метода уменьшения размерности [23].Общий вывод для PCA представляет его как проблему оптимизации, направленную на изучение линейной проекции, которая максимизирует объясненную дисперсию в проецируемом пространстве [24]. Однако PCA также может быть получен как вывод в рамках простой линейной модели скрытых переменных, которая утверждает, что наблюдения генерируются как линейная проекция из низкоразмерных скрытых переменных [25]. Когда и наблюдения, и скрытые переменные следуют многомерному распределению Гаусса, мы получаем следующую генеративную модель для наблюдаемых данных:
(1)
(2)
где – диагональная матрица и обозначает шум измерений.Уравнения (1) и (2) служат для демонстрации того, как PCA можно рассматривать как модель низкого ранга для ковариационной матрицы; маргинализируя скрытые переменные, мы получаем:
(3)
подразумевая, что матрица загрузки, W , фиксирует структуру ковариации низкого ранга. Изучение связанной матрицы нагрузки, W , происходит путем максимизации логарифмической вероятности по наблюдениям за всеми N субъектами:
(4)
где Σ ^{( i )} соответствует уравнению (3), а K ^{( i )} обозначает выборочную ковариационную матрицу для i -го субъекта.В контексте PCA максимизация выполняется при условии, что W ортонормированы,
(5)
и решение в замкнутой форме получается с помощью собственного разложения.

Следуя [21], можно интерпретировать каждый столбец W как кодирование функциональных сетей или «собственных связей». Хотя матрица нагрузки W является общей для всех субъектов, каждая диагональная запись G ^{( i )} обозначает степень, в которой связанная сеть выражена в субъекте i .Это позволяет нам изучать связность как состоящую из различных отдельных сетей, что дает значительные преимущества с точки зрения интерпретируемости. Далее мы можем распаковать уравнение (3) следующим образом (см. также рис. 2 ниже):
(6)
где W _j обозначает j -й столбец W , а мы пишем для обозначения j -го диагонального элемента матрицы. Таким образом, мы можем интерпретировать каждое W _j как кодирование j -й сети и как меру активности в соответствующей сети в -м и -м субъекте.

Существует несколько расширений модели, описанной в уравнениях (1) и (2), главным примером является факторный анализ, который позволяет варьировать дисперсии в уравнении (2) по измерениям. Недавно было предложено несколько расширений, в которые вводятся такие ограничения, как неотрицательность, с целью улучшения интерпретируемости результатов [26, 27, 28]. Мотивация таких методов связана с тем, что интерпретация и визуализация сетей на основе PCA становится очень сложной задачей, особенно в больших измерениях.Проблемы возникают из-за того, что каждый основной компонент будет соответствовать взвешенной сумме действий BOLD во всех наблюдаемых регионах. Таким образом, часто бывает трудно определить, какие регионы вносят основной вклад в определенный основной компонент (и, следовательно, в функциональную сеть) без применения специального постанализа. Кроме того, возможно, что некоторые записи в главных компонентах могут быть отрицательными, что еще больше усложняет интерпретацию с точки зрения анализа функциональной связности.

Вышеупомянутые проблемы можно смягчить, введя неотрицательные ограничения на матрицу загрузки, W . Это гарантирует, что каждый главный компонент соответствует только взвешенной положительной сумме активности во всех областях мозга. Таким образом, главный компонент можно интерпретировать непосредственно как вклад каждого региона в каждую функциональную сеть. Кроме того, введение неотрицательности часто приводит к разреженности в том смысле, что многие элементы главных компонент будут точно нулевыми [27].Отсюда следует, что такая разреженность дополнительно облегчает интерпретацию соответствующих сетей. С точки зрения оптимизации матрица нагрузки выводится путем максимизации исходной цели логарифмического правдоподобия с дополнительным ограничением неотрицательности:
(7)

Важно отметить, что в уравнении (7) опущено ограничение ортонормированности, что делает связанную с ним задачу оптимизации менее сложной. Тем не менее, комбинация неотрицательности и ортонормированности, предусмотренная в [29], приводит к нескольким желаемым свойствам.Во-первых, матрица загрузки W имеет не более одного ненулевого элемента в строке. Это означает, что мы можем интерпретировать столбцы W как принадлежность кодирования к k непересекающимся сетям или кластерам. Еще одним очень важным преимуществом введения ограничений неотрицательности и ортонормированности является то, что матрица W однозначно определена и идентифицируема. Это не так в стандартных факторно-аналитических моделях, где W идентифицируемо только до произвольного поворота [30, 25].Учитывая, что на протяжении всей этой работы мы будем напрямую интерпретировать столбцы матрицы загрузки, W , как кодирующие сети функциональной связности, отсутствие идентифицируемости в моделях PCA и факторного анализа является существенным ограничением. Модель, представленную в [29], мы называем модульным иерархическим анализом (МГА). Таким образом, связанная с этим проблема оптимизации становится:
(8)

Таким образом, можно увидеть, что

MHA устраняет два важных ограничения традиционных моделей, таких как PCA и факторный анализ; во-первых, наличие отрицательных значений в матрице нагрузки усложняет интерпретацию таких матриц (решается путем использования ограничений неотрицательности), а во-вторых, тот факт, что скрытые переменные инвариантны относительно вращения (решается путем дальнейшего введения ортогональности). Еще одно ограничение таких моделей, как PCA и факторный анализ, заключается в том, что они неявно предполагают, что скрытые переменные должны быть некоррелированными. Во многих случаях, особенно когда такие модели применяются к данным, относящимся к когорте субъектов, такое предположение будет недействительным, подразумевая, что связанные сгенерированные модели указаны неверно. Напротив, MHA способен идентифицировать и восстанавливать компоненты, даже если они некоррелированы. Это важное теоретическое преимущество, поскольку MHA продолжает обладать теми же свойствами идентифицируемости даже при наличии коррелированных скрытых переменных, а также практическое преимущество, как мы демонстрируем в этой работе.Наконец, мы отмечаем, что в контексте данных фМРТ MHA соответствует интуитивной генеративной модели, в которой скрытые переменные фиксируют активность в каждой функциональной сети. Оптимизация уравнений (5), (7) и (8) обсуждается в приложении S1. Кроме того, мы предоставляем код Python и R для реализации MHA в коде S1.

Кроме того, мы отмечаем, что модель, представленная в [26] и названная Modular Connectivity Factorization (MCF), имеет много общего с MHA. Фактически, оба метода вводят неотрицательность и ортонормированность по матрице нагрузки W .Однако принципиальное отличие состоит в том, что MCF не связана с линейной моделью скрытых переменных, а вместо этого параметры выводятся следующим образом:
(9)
где Σ ^{( i )} определяется как в уравнении (6) и K ^{( i )} является эмпирической ковариацией для i -го субъекта. Родственный подход был также предложен в [31].

Наконец, важно отметить, что, хотя идентифицируемость может быть получена за счет комбинации неотрицательности и ортонормированности, как в случае с моделью MHA, ее также можно получить путем ослабления предполагаемого распределения по скрытым переменным, как случай с моделями анализа независимых компонентов (ICA).Формально ICA также является линейной моделью латентных переменных, однако больше не предполагается, что латентные переменные следуют распределению Гаусса [32]. В то время как ослабление предположения о гауссовости усложняет связанную оптимизацию, которая теперь должна решаться с использованием методов градиентного спуска и с учетом наличия нескольких локальных оптимумов из-за невыпуклой целевой функции [33], ICA широко используется в исследовании. функциональной связности [34, 35]. Более того, мы отмечаем, что «пространственная» версия ICA, используемая в фМРТ, меняет роли латентных переменных и нагрузок, что означает, что она фактически рассматривает негауссовость или разреженность того, что мы называем здесь нагрузками, соответствующими пространственным паттернам. .На рис. 2 показаны преимущества, получаемые при введении каждого из вышеупомянутых ограничений. В частности, мы отмечаем, что именно сочетание неотрицательности вместе с ортонормированностью дает интерпретируемые и идентифицируемые сети. Мы эмпирически подтверждаем такие утверждения, применяя все вышеупомянутые модели к синтетическим и реальным наборам данных фМРТ ниже.

2.

2 Прогнозирование возраста мозга с использованием функциональной сетевой активности

В предыдущем разделе были описаны различные разновидности моделей латентных переменных, которые можно использовать для изучения функциональных сетей в когорте из N субъектов.Вышеупомянутые модели позволяют нам разложить наблюдаемые модели функциональной связности как линейную сумму сетей, закодированных столбцами матрицы загрузки, W . Хотя матрица нагрузки является общей для всех испытуемых (что указывает на то, что одни и те же сети присутствуют во всех испытуемых), степень, в которой они вносят вклад в наблюдаемую ковариацию i -го субъекта, обозначена диагональными элементами G ^{( i )} , как указано в уравнении (6).

Теперь рассмотрим задачу предсказания биологического возраста мозга, a ^{( i )} , используя предполагаемые сети функциональных связей в качестве признаков. В интересах интерпретируемости мы ограничиваемся моделями линейной регрессии вида:
(10)
Напомним, что j соответствует диагональному элементу матрицы G ^{( i )} . Таким образом, предлагаемые модели будут в основном стремиться предсказать биологический возраст субъектов, рассматривая активность в каждой предполагаемой функциональной сети.В случае субъекта и наблюдаемая активность в сети и количественно определяется как . На практике мы будем стремиться количественно оценить активность различных функциональных сетей на невидимых субъектах, определяемых как субъекты, чьи данные не использовались для оценки матрицы нагрузки, W . Заметим, что из-за ортонормированности W вместе с уравнением (6) мы можем оценить данные от невидимых субъектов, обозначенных как i *, следующим образом:
(11)
Отметим, что уравнение (11) требует шума наблюдения, v ^{( i *)} .Это не касается всех испытуемых, чьи данные используются во время неконтролируемого обучения скрытых переменных, поскольку параметры v ^{( i )} выводятся вместе с матрицей загрузки, W . Однако основная цель этой работы — построить прогностические модели, которые можно обобщить на невидимые объекты. В этом контексте оценка шума наблюдения, v ^{( i *)} , может быть получена следующим образом:
(12)

Хотя класс моделей, рассматриваемых в уравнении (10), можно считать одним из самых простых моделей регрессии с учителем, они дают несколько важных преимуществ при попытке понять как оцениваемые параметры, так и вклад каждой из функций.В частности, каждому β _j соответствует коэффициент регрессии, обобщающий (линейную) связь между активностью j -й сети и биологическим возрастом, условным для всех остальных сетей. Таким образом, если определенные коэффициенты регрессии считаются незначительными, мы можем сделать вывод, что связанная с ними сеть остается неизменной при здоровом старении.

2.3 Выбор гиперпараметров

Предлагаемая двухэтапная структура оценки требует ввода только одного гиперпараметра: размерности скрытых переменных k . В контексте PCA и факторного анализа этот гиперпараметр напрямую соответствует числу основных компонентов или предполагаемых факторов, и существует обширная литература по настройке такого параметра [23]. Одно из преимуществ моделей со скрытыми переменными, представленных в разделе 2.1, состоит в том, что каждая из них соответствует вероятностным моделям, вероятность которых может быть оценена непосредственно. Таким образом, логичный выбор для настройки гиперпараметра k состоит в том, чтобы напрямую максимизировать логарифмическую вероятность по имеющимся данным.

Чтобы эффективно выполнить настройку гиперпараметров, а также количественно оценить эффективность обобщения предлагаемого метода, данные были разделены на обучающие, проверочные и тестовые наборы данных следующим образом:

• Сначала в качестве тестовых данных использовалась подгруппа испытуемых. Таким образом, мы получаем два набора данных:

  где S _train , S _test ⊂ {1, …, N } обозначают непересекающиеся множества обучающих и испытуемых соответственно. Напомним, что N — это число присутствующих субъектов, и мы пишем для обозначения n наблюдений, доступных для i -го субъекта.

• Данные для обучения далее делятся на наборы данных для обучения и проверки по предметам.

Разделение данных таким образом позволяет эффективно настраивать гиперпараметры, используя наборы данных для обучения и проверки, а также измерять производительность обобщения с использованием набора тестовых данных, который соответствует невидимым субъектам.

2.4 Экспериментальные данные

Данные, используемые в этой рукописи, соответствуют данным фМРТ в состоянии покоя, взятым из трех различных репозиториев с открытым доступом. Были небольшие различия в получении функциональных МР-изображений в состоянии покоя для каждого из рассматриваемых репозиториев: CamCAN [38], Human Connectome Project [37] и ATR Wide Age Range [38]. Предварительная обработка каждого набора данных была следующей:

• CamCAN: этот набор данных был предварительно обработан нами. Данные были скорректированы по движению, пространственно сглажены с помощью гауссова ядра 5 мм FWHM, зарегистрированы в стандартном пространстве MNI152 с использованием FLIRT [39] с помощью T1-изображения высокого разрешения с вырезкой черепа и передискретизированы до размеров вокселя 4x4x4 мм. Каждое Т1-изображение высокого разрешения было сегментировано на серое и белое вещество и спинномозговую жидкость с использованием SPM Dartel [40]. Средние временные графики для спинномозговой жидкости и белого вещества, а также 6 параметров движения были линейно отфильтрованы от каждого вокселя, чтобы уменьшить ненейронный шум.
• HCP: мы использовали предварительно обработанные данные фМРТ в состоянии покоя от случайной подгруппы здоровых участников.Примечательно, что конвейер включал процесс шумоподавления на основе FIX ICA [40] для удаления отдельных источников физиологического, нефизиологического шума и шума, связанного с движением. Полную информацию о конвейере предварительной обработки можно найти по адресу https://www. humanconnectome.org/study/hcp-young-adult/document/extensively-processed-fmri-data-documentation.
• ATR: мы использовали предварительно обработанные данные. Конвейер предварительной обработки, в частности, включал регрессию глобального сигнала серого вещества, а также сигналов от спинномозговой жидкости и белого вещества для удаления источников ложных вариаций

.

Все три предварительно обработанных набора данных фМРТ были впоследствии обработаны следующим образом: корковая парцелляция, основанная на анализе функциональной связности в состоянии покоя [42], использовалась для определения 264 различных областей интереса диаметром 10 мм (ROI).Был извлечен временной ход фМРТ, усредняющий по всем вокселям в каждой области интереса. Эти 264 средних временных хода затем использовались в последующих анализах. Полная информация представлена ​​здесь https://bicr-resource.atr.jp/var/www/webapp/bicrresource/bicrresource/staticfiles/pdf/Methods.pdf.

3 Результаты

В этом разделе мы представляем ряд экспериментальных результатов, включающих как синтетические, так и реальные наборы данных фМРТ в состоянии покоя. В этом разделе мы сравниваем производительность различных моделей линейных скрытых переменных, представленных в разделе 2.1. В частности, мы изучаем эффективность следующих методов: факторный анализ (FA), PCA, неотрицательный PCA [27], MCF [26] и MHA [29], а также ICA. В случае ICA мы сначала используем PCA как уменьшение размерности, прежде чем использовать алгоритм FastICA, предложенный в [43]. Реализации, доступные в Scikit Learn, использовались для факторного анализа, PCA и ICA [44].

Сначала мы представляем результаты с использованием синтетических данных в разделе 3.1. Эти эксперименты по моделированию служат численной проверкой предлагаемой двухэтапной процедуры.Эксперименты, связанные с прогнозированием возраста мозга по данным фМРТ в состоянии покоя, впоследствии представлены в разделе 3.2.

3.1 Эксперименты с синтетическими данными

В этом разделе мы оцениваем производительность предлагаемой двухэтапной схемы оценки с использованием синтетических данных. С этой целью мы генерируем искусственные данные, свойства которых примерно соответствуют тем, о которых часто сообщают в исследованиях фМРТ. Затем цель состоит в том, чтобы количественно определить, какая из моделей линейных скрытых переменных, представленных в разделе 2.1, способны надежно восстановить соответствующую матрицу нагрузки, W , а также изучить соответствующие факторы, которые служат точными предикторами возраста мозга у невидимых субъектов. Затем были сгенерированы синтетические данные, чтобы удовлетворить уравнениям (1), (2) и (10). Это достигается следующим образом:

• Сначала мы случайным образом сгенерировали матрицу факторной нагрузки, которая удовлетворяла ограничениям неотрицательности и ортонормированности. Причина введения обоих ограничений заключается в том, что мы будем стремиться количественно определить, насколько надежно каждая модель скрытых переменных может восстановить W , и поэтому крайне важно убедиться, что мы генерируем W из идентифицируемой модели (см. обсуждение в разделе 2.1). Чтобы добиться этого, была выбрана плотная матрица W , при этом каждая запись следовала за равномерным распределением по интервалу [0, 1]. Впоследствии для каждой строки сохранялась только запись с наибольшим значением, а все остальные записи обнулялись. Наконец, норма каждого столбца была установлена ​​равной единице.
• Во-вторых, факторные нагрузки для i -го испытуемого были сгенерированы случайным образом следующим образом:

  при этом все отрицательные образцы отбрасываются.

• Коэффициенты регрессии были равномерно случайным образом взяты из интервала [0, 10].
• Наконец, мы можем случайным образом генерировать наблюдения и возраст для каждого субъекта следующим образом:
  (13)
  (14)
  Напомним, что это диагональная матрица, состоящая из элементов.

Мы отмечаем, что выбор выборочных распределений как факторных нагрузок, g ^{( i )} , так и коэффициентов регрессии, β , неизбежно несколько эвристичен. Однако были предприняты меры для обеспечения того, чтобы предполагаемые распределения по возрасту субъектов приблизительно соответствовали эмпирическим распределениям, наблюдаемым в репозитории CamCAN.

Мы отмечаем, что на протяжении всех экспериментов мы рассматриваем эффективность каждого метода, варьируя два различных фактора: количество наблюдений на одного испытуемого, n , и количество тренирующихся испытуемых, N . Кроме того, во время моделирования мы фиксируем размерность наблюдений равной p = 50, а число скрытых факторов равно k = 5,

.

Учитывая искусственные данные, сгенерированные, как описано выше, мы пытаемся количественно оценить производительность каждой из моделей линейных скрытых переменных, используя следующие две метрики:

1. Точное восстановление матрицы загрузки, W .Это количественно выражается в виде квадрата ошибки между истинной матрицей нагрузки и расчетной матрицей нагрузки.
2. Точное предсказание возраста мозга по невидимым субъектам. В соответствии с другой литературой, это количественно определяется средней абсолютной ошибкой между истинным и предсказанным возрастом мозга [11, 8].

3.1.1 Результаты синтетических данных.

Мы начнем с рассмотрения производительности каждой линейной модели со скрытой переменной как числа наблюдений на одного субъекта, n , увеличивающегося для фиксированного числа тренирующихся субъектов, N = 25.Результаты представлены на рис. 3. Отметим, что как с точки зрения восстановления матрицы нагрузки, W , так и с точки зрения предсказания возраста по невидимым субъектам введение ограничений регулярности, будь то в виде не -отрицательность, ортонормированность или негауссовость или разреженность (как в ICA) приводят к улучшениям.

Рис. 3.

Результаты моделирования для восстановления истинной матрицы нагрузки (левая панель) и прогнозирования возраста мозга для невидимых субъектов (правая панель) по мере увеличения количества наблюдений на субъекта, n . Отметим, что введение ограничений регулярности (например, неотрицательности или ортонормированности) на матрицу загрузки приводит к улучшению производительности.

https://doi.org/10.1371/journal.pone.0232296.g003

Мы также изучаем эффективность различных моделей со латентными переменными, когда количество обучаемых субъектов N увеличивается, а количество наблюдений фиксируется на уровне n = 100 на предмет. Эти результаты представлены на рис. 4. С точки зрения восстановления матрицы нагрузки, W , мы снова наблюдаем, что введение ограничений регулярности приводит к значительным улучшениям.Что касается прогнозов по невидимым субъектам (как показано на правой панели рис. 4), улучшения, связанные с введением условий регулярности, начинают исчезать по мере увеличения числа обучаемых субъектов. В частности, после определенного числа тренирующихся субъектов (приблизительно 25 в случае этих экспериментов) улучшение прогнозов вне выборки начинает стабилизироваться.

Рис. 4.

Результаты моделирования для восстановления истинной матрицы нагрузки (левая панель) и предсказания возраста мозга для невидимых субъектов (правая панель) по мере увеличения числа тренирующихся субъектов, N .Отметим, что введение ограничений регулярности (например, неотрицательности или ортонормированности) на матрицу загрузки приводит к улучшению производительности.

https://doi.org/10.1371/journal.pone.0232296.g004

3.2 Эксперименты с данными фМРТ в состоянии покоя

В то время как в предыдущем разделе были представлены результаты, относящиеся к синтетическим данным, здесь мы представляем экспериментальные результаты, в которых предложенная двухэтапная процедура применяется к трем наборам данных фМРТ в состоянии покоя с открытым исходным кодом.Рассмотренные наборы данных соответствуют репозиторию Кембриджского центра старения и неврологии (CamCAN), репозиторию Human Connectome Project (HCP) и репозиторию ATR Wide-Age-Range. Целью использования трех различных наборов данных является эффективное измерение эффективности обобщения предлагаемого подхода на невидимых данных. Таким образом, данные из репозиториев HCP и Wide-Age-Range не использовались во время обучения модели, а использовались исключительно как невидимые тестовые данные. Важно отметить, что в дополнение к значительной межсубъектной изменчивости [45] данные фМРТ также страдают от наличия нескольких других хорошо задокументированных проблем, таких как переменная производительность сканера или шум [46, 47, 48].Таким образом, проверка эффективности предлагаемых моделей прогнозирования возраста мозга таким образом обеспечит более реалистичную оценку их эффективности обобщения.

3.2.1 Результаты репозитория CamCAN.

Данные фМРТ в состоянии покоя были получены от 647 субъектов из репозитория CamCAN. Возраст субъектов варьировал от 18 до 88 лет (средний возраст 54,31±18,56, 318 мужчин и 329 женщин). Набор данных CamCAN использовался в качестве основного набора данных в предлагаемой двухэтапной процедуре, подразумевая, что он использовался для изучения как функциональной структуры сети на этапе обучения без учителя, так и моделей линейной регрессии на этапе обучения с учителем. Таким образом, данные были разделены на обучающие, проверочные и тестовые подмножества, как описано в разделе 2.3.

Шаг 1 : Вывод функциональной сети без контроля . Первый этап предлагаемой схемы включает оценку воспроизводимых сетей функциональной связности с помощью различных моделей линейных скрытых переменных, обсуждаемых в разделе 2.1. Выведенное количество функциональных сетей прямо соответствует размерности скрытых переменных, которая определяется гиперпараметром k .Поскольку каждую линейную модель со скрытой переменной можно интерпретировать как вероятностную модель, мы выбираем гиперпараметр k , максимизируя логарифмическую вероятность по набору данных проверки. Это привело к выбору k = 5, когда матрица нагрузки была ограничена как неотрицательной, так и ортонормированной, как это было предложено в [26] и [29]. Хотя возможно, что выбор гиперпараметра может варьироваться в разных моделях со скрытыми переменными (например, для PCA или факторного анализа), мы решили оставить фиксированным выбор k для всех моделей, поскольку это облегчает сравнение моделей и интерпретацию результатов. Результаты.

На левой панели рис. 5 представлены результаты применения линейной модели латентных переменных MHA (рисунки получены с использованием функции мозгового стекла графика из модуля nilearn python [49]). Мы отмечаем, что, как обсуждалось в разделе 2.1, линейная модель скрытой переменной MHA эффективно группирует регионы в подсети посредством введения ограничений неотрицательности и ортонормированности. Таким образом, каждый график на левой панели рис. 5 визуализирует пространственно удаленные области мозга, которые были сгруппированы вместе, что указывает на то, что эти области имеют сильную положительную корреляцию.Отметим, что эти корреляции (т. е. ребра в сети) опущены для ясности на рис. 5. Результаты демонстрируют, что предполагаемые сети пространственно однородны и симметричны в обоих полушариях. Кроме того, многие из предполагаемых сетей соответствуют широко известным сетям и областям: сеть 1 захватывает сеть модели по умолчанию (DMN), а сеть 2 перекрывается с сетью значимости, тогда как сети 3 и 4 соответствуют зрительной сети более высокого уровня и соматомоторной сети. сети соответственно.Для сравнения мы включили эквивалентные графики для всех других моделей скрытых переменных, рассмотренных на рис. 6, представленных в дополнительных материалах. Мы отмечаем, что альтернативные методы, такие как PCA, которые не применяли комбинацию как неотрицательности, так и ортонормированности, дали результаты, которые были явно менее сгруппированы и более трудны для интерпретации.

Рис. 5.

Левая панель: Выведенные сети, восстановленные при введении ограничений неотрицательности и ортонормированности на матрицу загрузки, W .Сети пространственно непротиворечивы и симметричны. Правая панель: визуализация сетевой активности в зависимости от возраста субъекта, демонстрирующая (в основном негативные) линейные тенденции при здоровом старении.

https://doi.org/10.1371/journal.pone.0232296.g005

Рис. 6. Выведенные сети с использованием альтернативных моделей линейных скрытых переменных.

В случае таких моделей, как PCA и факторный анализ, сети были получены путем пороговой обработки записей W , поэтому учитывались только неотрицательные записи.

https://doi.org/10.1371/journal.pone.0232296.g006

На правой панели рис. 5 визуализируется корреляция между активностью каждой сети (как определено в уравнении (11)) и возрастом каждого субъекта. Для сетей 1-3 мы наблюдаем значительную отрицательную корреляцию между активностью и возрастом, что позволяет предположить, что старение вызывает падение активности таких сетей. Эти результаты согласуются с родственными исследованиями различий в функциональных связях, вызванных старением.В частности, широко сообщалось о снижении активности DMN (сеть 1) [19, 50, 51].

Этап 2 : Контролируемое обучение моделей прогнозирования возраста мозга . Напомним, что общей целью предложенной схемы было построение интерпретируемых моделей биологического возраста мозга. С этой целью признаки, извлеченные из моделей линейных латентных переменных, использовались в качестве признаков в структуре линейной регрессии для прогнозирования возраста мозга каждого субъекта. В частности, пять различных моделей линейных скрытых переменных подробно описаны в разделе 2.1, где используется для изучения воспроизводимых подсетей, параметризованных матрицей загрузки, . Активность в каждой функциональной сети, определенная в уравнении (11), впоследствии использовалась в качестве признаков для прогнозирования биологического возраста с использованием линейной регрессии.

Заметим, что репозиторий CamCAN, а также репозитории HCP и ATR содержал более сотни предметов каждый. Это отличается от типичных фМРТ-исследований, где размер выборки часто находится в диапазоне от 20 до 30 человек [52, 48]. Кроме того, напомните, что цель представленных экспериментов состоит в том, чтобы количественно оценить производительность невидимых данных фМРТ в состоянии покоя, чтобы показать, как каждая из используемых моделей линейных латентных переменных будет работать в типичном исследовании фМРТ.Таким образом, в оставшейся части этого раздела мы сообщаем о производительности с точки зрения средней абсолютной ошибки по случайным подмножествам из 30 субъектов из каждого репозитория. Это соответствует форме начальной загрузки, когда мы усредняем результаты по случайной выборке из возможных когорт . На практике мы сообщаем о результатах более 1000 случайных подмножеств по 30 субъектов для каждого из трех рассматриваемых репозиториев.

На рис. 7 представлена ​​средняя абсолютная ошибка невидимых тестовых данных для различных вариантов k ∈ {2, …, 10}.Мы отмечаем, что сочетание линейной регрессии с использованием ограничений неотрицательности и ортонормированности, как поддерживают модели MCF и MHA, приводит к конкурентоспособной производительности в диапазоне k . В частности, такие алгоритмы превосходят как неотрицательный PCA, так и PCA, что позволяет предположить, что введение таких ограничений служит для улучшения прогностических свойств модели. Кроме того, мы отмечаем, что рис. 7 указывает на наличие компромисса между смещением и дисперсией, который часто встречается в обучении с учителем, когда производительность на невидимых тестовых данных начинает ухудшаться по мере того, как количество параметров (в нашем случае k ) увеличивается за пределы определенное значение.

Рис. 7. Среднее значение абсолютной ошибки (MAE) для различного количества сетей, определенное с помощью k (ось x), на невидимых тестовых данных из CamCAN.

Отметим, что комбинация неотрицательности и отонормальности (MHA и MCF) дает конкурентоспособные результаты в широком диапазоне k .

https://doi.org/10.1371/journal.pone.0232296.g007

Как упоминалось ранее, выбор k = 5 был выбран путем максимизации логарифмической вероятности по набору данных проверки (т.т. е. совершенно неконтролируемым образом — данные о возрасте испытуемых не учитывались). Рис. 8 визуализирует производительность невидимого набора тестовых данных для конкретного выбора k = 5 для всех возможных вариантов линейных моделей скрытых переменных. Результаты показывают, что по мере введения дополнительных ограничений в матрицу нагрузки возможности обобщения моделей также улучшаются. Таким образом, MCF и MHA, которые вводят наиболее строгие ограничения, соответствующие как неотрицательности, так и ортонормированности , обеспечивают наилучшие характеристики обобщения. Отметим также, что ICA также конкурентоспособна. Более того, неотрицательная PCA, которая ослабляет требование ортонормированности, является следующей наиболее конкурентоспособной моделью со скрытой переменной. Наконец, PCA и факторный анализ, которые ослабляют все вышеупомянутые ограничения, дают наихудшую производительность обобщения.

Рис. 8. Среднее значение абсолютной ошибки (MAE) для невидимых данных тестирования из репозитория CamCAN, когда размерность скрытых переменных установлена ​​на k = 5 (подразумевается, что мы выводим 5 сетей).

Мы отмечаем, что по мере введения ограничений регулярности, в частности неотрицательности и ортонормированности, прогностическая эффективность улучшается.

https://doi.org/10.1371/journal.pone.0232296.g008

3.2.2 Перенос в репозитории HCP и ATR Wide-Age-Range.

Результаты Раздела 3.2.1 обеспечивают меру производительности с точки зрения средней абсолютной ошибки предсказанного возраста мозга в крупномасштабном наборе данных фМРТ в состоянии покоя. Однако общепризнано, что помимо предметно-специфического шума есть несколько других значительных факторов, влияющих на шум в данных фМРТ: к ним относятся проблемы, связанные с шумом сканера и частотой получения изображений [46, 47, 48].В результате, чтобы тщательно проверить эффективность обобщения предложенных методов, мы используем данные фМРТ в состоянии покоя из репозиториев HCP и ATR Wide-Age-Range. Отметим, что данные из вышеупомянутых репозиториев использовались только в целях тестирования, поэтому они не использовались ни для изучения структуры сети по субъектам, ни для настройки параметров моделей линейной регрессии. Сводную информацию о характеристиках наборов данных HCP и ATR с широким возрастным диапазоном см. на рис. 9 и в таблице S1 в дополнительных материалах.

Рис. 9. Гистограмма, отображающая возрастное распределение для каждого из используемых хранилищ.

Мы отмечаем, что набор данных CamCAN имеет самый широкий диапазон из всех рассмотренных репозиториев, что подтверждает его использование в качестве основного набора данных в нашем исследовании.

https://doi.org/10.1371/journal.pone.0232296.g009

Прогнозирование биологического возраста в репозиториях HCP и ATR Wide-Age-Range выполнялось следующим образом: предполагаемая активность в каждой сети, как подробно описано в уравнениях (11) и (12).Впоследствии с помощью уравнения (10) были получены прогнозы биологического возраста. На каждом этапе оба и являются параметрами, полученными с использованием набора данных CamCAN (т. е. тонкой настройки параметров не было). В результате производительность наборов данных HCP и ATR Wide-Age-Range обеспечивает надежную меру производительности обобщения совершенно невидимых данных.

Результаты для данных HCP представлены на рис. 10. Как и ожидалось, средние абсолютные ошибки больше для каждой из отдельных моделей латентных переменных по сравнению с результатами набора данных CamCAN (рис. 8), что будет частично результатом различных шумов сканера и свойств получения изображения.Важно отметить, что, как и в случае с набором данных CamCAN, снова существует связь между введением дополнительных ограничений (в форме неотрицательности, ортонормированности или негауссовости) и эффективностью обобщения. Как и прежде, такие методы, как PCA и факторный анализ, которые не вводят никаких ограничений, имели самую низкую производительность, а также наибольшее падение производительности.

Рис. 10. Среднее значение абсолютной ошибки (MAE) для невидимых данных из репозитория HCP.

Результаты в целом согласуются с данными CamCAN, что указывает на хорошее обобщение.Отметим, что введение ограничений неотрицательности или ортогональности приводит к улучшению обобщения. Количество функциональных сетей составило к = 5,

.

https://doi.org/10.1371/journal.pone.0232296.g010

Представленные выше результаты HCP служат для частичной проверки прогностических моделей, обученных с использованием набора данных CamCAN. Однако одним существенным ограничением набора данных HCP является то, что возраст испытуемых колеблется только от 22 до 37 лет. Это особенно актуально в контексте биомаркеров возраста мозга, поскольку многие представляющие интерес нейродегенеративные заболевания будут связаны с преклонным возрастом. В результате мы дополнительно подтвердили возможности обобщения предложенных моделей прогнозирования возраста мозга в наборе данных ATR Wide-Age-Range, в котором участвовали субъекты в возрасте от 20 до 70 лет. Результаты, представленные на рис. 11, согласуются с результатами для наборов данных CamCAN и HCP, что еще раз указывает на то, что введение ограничений неотрицательности и ортонормированности улучшает производительность обобщения.

Рис. 11. Производительность средней абсолютной ошибки (MAE) для невидимых данных из репозитория ATR Wide-Age-Range.

Результаты в целом согласуются с данными CamCAN, что указывает на хорошее обобщение. Далее, как и в случае с данными HCP, мы отмечаем, что введение ограничений неотрицательности или ортогональности приводит к улучшенному обобщению. Количество рассмотренных функциональных сетей составило k = 5,

.

https://doi.org/10.1371/journal.pone.0232296.g011

3.3 Расширение до независимых моделей скрытых переменных

В представленных выше результатах используются линейные модели скрытых переменных, в которых предполагаемые латентные значения считаются независимыми. Это четко указано в генеративной модели, рассмотренной в уравнении (1), где ковариация скрытых переменных, G ^{( i )} , предполагается диагональной. Обратите внимание, что в случае PCA, факторного анализа и MHA, поскольку предполагается, что скрытые переменные являются многомерными гауссовскими, тот факт, что ковариация является диагональной, подразумевает, что скрытые переменные независимы. Однако на практике такое предположение часто не работает, подразумевая, что эмпирическая структура ковариации по скрытым переменным не будет диагональной.В этом разделе мы пытаемся использовать это, напрямую вводя недиагональные записи скрытых переменных ковариаций, G ^{( i )} , в качестве признаков в наших моделях линейной регрессии для биологического возраста. Таким образом, в то время как уравнение (10) рассматривало линейную модель, в которой для прогнозирования биологического возраста каждого субъекта использовались только диагональные записи каждого G ^{( i )} , мы теперь рассматриваем модели линейной регрессии следующего вида:
(15)
Обратите внимание, что в уравнении (15) мы используем полные верхние треугольные элементы ковариационной матрицы в качестве признаков. Это эквивалентно векторизации ковариационной матрицы и удалению повторяющихся записей из-за симметрии. Таким образом, хотя в уравнении (10) использовалось k признаков, теперь мы рассматриваем линейные модели с признаками; многие из них будут пытаться предсказать биологический возраст индивидуумов на основе недиагональных записей каждого G ^{( i )} . Важно отметить, что модель, представленная в уравнении (10), является частным случаем уравнения (15).

Как и в разделе 3.2, мы используем двухэтапный подход, в соответствии с которым мы сначала оцениваем матрицы нагрузки для различных используемых моделей линейных скрытых переменных, а затем обучаем модели линейной регрессии, используя полную векторизованную ковариационную матрицу в качестве признаков.

На рис. 12 показана ошибка MAE для невидимых тестовых данных как функция размерности скрытых переменных, k . Мы отмечаем, что для всех вариантов k зарегистрированные ошибки меньше, чем ошибки, представленные на рис. 7. Это дает эмпирическое свидетельство того, что недиагональные записи скрытых переменных ковариаций являются отличительными признаками для предсказания возраста мозга, и поэтому их можно увидеть. как свидетельство того, что модели, которые предполагают диагональную ковариационную структуру по латентным, неправильно определены.На рис. 13 представлена ​​дополнительная визуализация в случае, когда k = 5. Мы отмечаем, что модель MHA работает конкурентоспособно, этого и следовало ожидать, поскольку эта модель напрямую учитывает возможность независимых скрытых переменных [29]. Кроме того, мы отмечаем, что MHA работает особенно хорошо, когда количество сетей невелико (когда размерность скрытых переменных, k , меньше или равна 5), что полезно, когда мы хотим установить приоритет интерпретируемости результатов. Наконец, производительность различных методов, показанная на рис. 12, демонстрирует те же тенденции, что и на рис. 7; здесь снова возникает компромисс между смещением и дисперсией, связанный с выбором k , а введение ограничений неотрицательности или негауссовости (как в MCF или ICA) приводит к улучшению производительности обобщения. Наконец, хотя на рис. 12 показана эффективность обобщения только для невидимых субъектов из когорты CamCAN, мы также представляем результаты для производительности обобщения для предсказания возраста мозга в наборах данных HCP и ATR с широким возрастным диапазоном на рисунках 14 и 15 дополнительных материалов.

Рис. 12. Показатели средней абсолютной ошибки (MAE) для различного количества сетей, определенные с помощью k (ось X), на невидимых тестовых данных из CamCAN, когда больше не предполагается, что скрытые переменные имеют изотропную ковариационную структуру и полная векторизованная ковариация используется в качестве признаков в моделях линейной регрессии.

Мы отмечаем, что MHA способен непосредственно приспособиться к такому сценарию и, следовательно, является конкурентоспособным для всех вариантов скрытой переменной размерности, k .

https://doi.org/10.1371/journal.pone.0232296.g012

Рис. 13. Производительность средней абсолютной ошибки (MAE) для невидимых данных тестирования из репозитория CamCAN, когда размерность скрытых переменных зафиксирована на k = 5 (подразумевая, что мы выводим 5 сетей).

Обратите внимание, что больше не предполагается, что скрытые переменные имеют изотропную ковариационную структуру, и полная векторизованная ковариация используется в качестве признаков в моделях линейной регрессии.

https://doi.org/10.1371/journal.pone.0232296.g013

Рис. 14. Производительность средней абсолютной ошибки (MAE) для невидимых данных из репозитория HCP.

Результаты в целом согласуются с данными CamCAN, что указывает на хорошее обобщение. Отметим, что введение ограничений неотрицательности или ортогональности приводит к улучшению обобщения. Количество функциональных сетей составило к = 5,

.

https://doi.org/10.1371/journal.pone.0232296.g014

Рис. 15. Производительность средней абсолютной ошибки (MAE) для невидимых данных из репозитория ATR Wide-Age-Range.

Результаты в целом согласуются с данными CamCAN, что указывает на хорошее обобщение. Далее, как и в случае с данными HCP, мы отмечаем, что введение ограничений неотрицательности или ортогональности приводит к улучшенному обобщению. Количество рассмотренных функциональных сетей составило k = 5,

.

https://дои.org/10.1371/journal.pone.0232296.g015

4 Заключение

Общепризнанно, что старение оказывает выраженное влияние на функциональную архитектуру мозга человека [14, 9]. В текущем исследовании мы представили и утвердили двухэтапную структуру, с помощью которой можно обучать интерпретируемые и надежные модели биологического возраста мозга на основе функциональной связи. В частности, предлагаемая структура сначала использует линейные модели скрытых переменных для выявления воспроизводимых сетей, которые присутствуют в когорте субъектов.Рассматривается множество таких моделей со скрытыми переменными, многие из которых расширяют PCA, вводя такие ограничения, как неотрицательность матрицы нагрузки. Наши эксперименты показывают, что, хотя PCA является естественным кандидатом на снижение размерности и может быть интерпретирован как восстановление скрытых собственных связностей , введение ограничений, таких как неотрицательность, может значительно улучшить как интерпретируемость, так и прогностическую эффективность. В то время как ICA улучшает PCA за счет введения пространственной разреженности, мы обнаружили, что MHA, а также MCF приводят к лучшим результатам, особенно в случае небольшого количества сетей.Причины этого улучшения включают использование комбинации неотрицательности и ортогональности, что приводит к непересекающимся сетям, а также явное моделирование связности между компонентами.

Учитывая предполагаемые функциональные сети и их активацию, мы обучаем линейные прогностические модели биологического возраста мозга, где в интересах интерпретируемости мы намеренно ограничиваемся линейными моделями. Это позволяет нам напрямую исследовать влияние каждой функциональной сети на прогнозируемый возраст мозга (как показано на рис. 5).В соответствии с другими результатами, опубликованными в литературе, мы обнаруживаем снижение активации в сети режима по умолчанию, сети заметности и сети визуального восприятия более высокого уровня по мере увеличения биологического возраста.

Предлагаемая двухэтапная структура сначала проверяется на данных из репозитория CamCAN, а затем применяется к двум дополнительным репозиториям с открытым доступом: репозиториям HCP и ATR Wide-Age-Range. Использование данных из двух дополнительных репозиториев служит для обеспечения четкого эмпирического указания на возможности обобщения предлагаемого подхода.Это особенно актуально в контексте данных фМРТ, где такие артефакты, как шум сканера, часто могут вызывать серьезные проблемы [48].

Мы отмечаем, что ошибки предсказания возраста мозга, представленные в этой работе, не конкурируют с альтернативными методами, основанными на альтернативных модальностях визуализации, таких как данные структурной визуализации [53, 10]. Этого следует ожидать по двум причинам. Во-первых, метод визуализации, используемый в этой работе, данные фМРТ в состоянии покоя, является более шумным и, вероятно, менее показательным для возраста, чем структурные измерения.Во-вторых, в этой работе мы намеренно ограничиваемся построением простых, но интерпретируемых моделей возраста мозга. Таким образом, мы ограничиваемся рассмотрением только линейных классификаторов, поскольку они позволяют четко интерпретировать и исследовать модели, отмечая при этом, что использование более выразительных моделей (например, нелинейных моделей) на втором этапе должно естественным образом привести к повышению производительности.

Кроме того, важно отметить, что, хотя эта работа демонстрирует осуществимость моделей биологического возраста мозга, основанных на функциональных связях, все субъекты, включенные в эти исследования, были здоровы.Таким образом, хотя такие модели в конечном итоге могут быть использованы для разработки биомаркеров, в будущем потребуются дальнейшие эксперименты и проверка. Более того, направлением для дальнейших исследований может стать рассмотрение возможности выполнения классификации вместо регрессии на втором этапе предлагаемого метода. В то время как естественной задачей было бы провести различие между здоровым контролем и субъектами с некоторой невропатологией, такой подход также может быть использован в контексте фМРТ, основанной на задачах, а также для изучения изменений в функциональных связях, вызванных различными задачами [54] или невропатологии [55, 56].В частности, широко сообщалось, что фМРТ на основе задач отображает нестационарную структуру функциональной связности [57, 58, 59, 60]. Таким образом, поиск различий между различными когнитивными задачами, например, как это рассматривалось в [61], [62], [63, 64], может стать интересным приложением в будущем. Более того, хотя в этой работе мы рассмотрели линейные модели со скрытыми переменными, такие как PCA, в будущей работе можно было бы рассмотреть альтернативные способы со скрытыми переменными, такие как графы со скрытыми позициями [65] и причинно-следственные модели [66, 67, 68].

Благодарности

Авторы благодарят Стива Смита за ценные отзывы и обсуждения.

Каталожные номера

1. 1.

   Лим С., Хан С. Э., Улхаас П. Дж. и Кайзер М. Предпочтительное отслоение в процессе развития человеческого мозга: возрастные и половые структурные связи в данных диффузионно-тензорной визуализации (dti). Кора головного мозга , 25(6):1477–1489, 2013. pmid:24343892

2. 2.

   Раз Н. и Родриг К.М. Дифференциальное старение мозга: закономерности, когнитивные корреляты и модификаторы. Neuroscience & Biobehavioral Reviews , 30(6):730–748, 2006.

3. 3.

   Коул Дж. Х., Ричи С. Дж., Бастин М. Э., Эрнандес М. В., Маньега С. М., Ройл Н. и др. Возраст мозга предсказывает смертность. Молекулярная психиатрия , 23(5):1385, 2018. pmid:28439103

4. 4.

   Коул Дж. Х., Лич Р., Шарп Д. Дж. и Инициатива А. Д. Н. Прогнозирование возраста мозга предполагает ускоренную атрофию после черепно-мозговой травмы. Annals of Neurology , 77(4): 571–581, 2015. pmid:25623048

5. 5.

   Куцулерис Н., Давацикос С., Боргвардт С., Газер С., Боттлендер Р., Фродл Т. и др. Ускоренное старение мозга при шизофрении и за ее пределами: нейроанатомический маркер психических расстройств. Бюллетень шизофрении , 40(5):1140–1153, 2013. pmid:24126515

6. 6.

   Гуд К.Д., Джонсруд И.С., Эшбернер Дж., Хенсон Р.Н., Фристон К.Дж. и Фраковяк Р.С. Морфометрическое исследование старения на основе вокселей в 465 нормальных мозгах взрослых людей. Neuroimage , 14(1):21–36, 2001. pmid:11525331

7. 7.

   Франке К., Газер С., Мэнор Б. и Новак В. Развитый мозг у пожилых людей с сахарным диабетом 2 типа. Frontiers in Aging Neuroscience , 5:90, 2013. pmid:24381557

8. 8.

   Ланкастер Дж., Лоренц Р., Лич Р. и Коул Дж. Х. Байесовская оптимизация для предварительной обработки нейровизуализации в классификации и прогнозировании возраста мозга. Границы нейробиологии старения , 10:28, 2018.пмид:29483870

9. 9.

   Смит С. М., Видаурре Д., Альфаро-Альмагро Ф., Николс Т. Э. и Миллер К. Л. Оценка дельты возраста мозга по данным визуализации мозга. НейроИзображение , 2019.

10. 10.

    Коул Дж. Х., Пудель Р. П., Цагкрасулис Д., Каан М. В., Стивс К., Спектор Т. Д. и др. Прогнозирование возраста мозга с помощью глубокого обучения на основе необработанных данных визуализации дает надежный и наследуемый биомаркер. NeuroImage , 163:115–124, 2017. pmid:28765056

11. 11.Франке К., Циглер Г., Клёппель С., Газер С., Initiative A.D.N., et al. Оценка возраста здоровых людей по t1-взвешенным МРТ с использованием ядерных методов: изучение влияния различных параметров. Neuroimage , 50(3):883–892, 2010. pmid:20070949
12. 12.

    Дозенбах Н.У., Нардос Б., Коэн А.Л., Фейр Д.А., Пауэр Дж.Д., Черч Дж.А. и др. Прогнозирование индивидуальной зрелости мозга с помощью фМРТ. Наука , 329(5997):1358–1361, 2010.пмид:20829489

13. 13.

    Герлигс Л. и соавт. Снижение специфичности функциональной связи в стареющем мозге при выполнении задач. Картирование человеческого мозга , 35:319–330, 2012. pmid:22

    1

14. 14.

    Герлигс Л., Ренкен Р. Дж., Салиаси Э., Мауриц Н. М. и Лорист М. М. Исследование возрастных изменений функциональных связей в масштабах всего мозга. Кора головного мозга , 25(7): 1987–1999, 2014. pmid:24532319

15. 15.

    Спорнс О. Открытие человеческого коннектома . MIT Press, 2012.

16. 16.

    Ву Т., Ван Л., Чен Ю., Чжао С., Ли К. и Чан П. Изменения функциональной связности двигательной сети в состоянии покоя при болезни Паркинсона. Неврологи. Lett ., 460(1):6–10, 2009.

17. 17.

    Damoiseaux J. S., Prater K. E., Miller B. L. и Greicius MD. Функциональная связность отслеживает клиническое ухудшение болезни Альцгеймера. Нейробиология старения , 33(4), 2012.

18. 18.

    Черкасский В. Л., Кана Р. К., Келлер Т. А. и Джаст М. А. Функциональная связность в базовой сети состояния покоя при аутизме. Нейроотчет , 17(16):1687–1690, 2006. pmid:17047454

19. 19.

    Герлигс Л., Рубинов М., Хенсон Р. Н. и соавт. Компоненты состояния и черты функциональной связности: индивидуальные различия зависят от психического состояния. Journal of Neuroscience , 35(41):13949–13961, 2015. pmid:26468196

20. 20.Герлигс Л. , Цветанов К. А. и Хенсон Р. Н. Проблемы измерения индивидуальных различий в функциональной связности с помощью фМРТ: случай здорового старения. Картирование человеческого мозга , 38(8):4125–4156, 2017. pmid:28544076
21. 21.

    Леонарди Н., Ричиарди Дж., Гшвинд М., Симиони С., Аннони Дж. М., Шлуп М. и др. Основные компоненты функциональной связи: новый подход к изучению динамической связи мозга во время отдыха. Нейроизображение , 83: 937–950, 2013.пмид:23872496

22. 22.

    Смит С. М. Будущее подключения фМРТ. Neuroimage , 62(2):1257–1266, 2012. pmid:22248579

23. 23.

    Джоллифф И. Анализ главных компонентов . Springer, 2011.

24. 24.

    Хотеллинг Х. Анализ комплекса статистических переменных по главным компонентам. Журнал педагогической психологии , 24(6):417, 1933.

25. 25.

    Harman HH Современный факторный анализ .ун-т of Chicago Press, 1960.

26. 26.

    Хираяма Дж., Хюваринен А., Кивиниеми В., Каванабэ М. и Ямасита О. Характеристика изменчивости модульных связей мозга с помощью анализа основных компонентов с ограничениями. PloS One , 11(12):e0168180, 2016. pmid:28002474

27. 27.
    Sigg C.D. и Buhmann JM. Максимизация ожидания для разреженного и неотрицательного PCA. В Материалы 25-й международной конференции по машинному обучению , стр. 960–967.АКМ, 2008.
28. 28.

    Засс Р. и Шашуа А. Неотрицательный разреженный PCA. В Advances in Neural Information Processing Systems , страницы 1561–1568, 2007.

29. 29.
    Монти Р. П. и Хюваринен А. Единая вероятностная модель для изучения скрытых факторов и их взаимосвязей на основе многомерных данных. 34-я конференция по неопределенности в искусственном интеллекте , 2018 г.
30. 30.

    Bishop C.M. Распознавание образов и машинное обучение .Springer, 2006.

31. 31.

    Хюваринен А., Хираяма Дж. И., Кивиниеми В. и Каванабе М. Факторизация ортогональной связности: интерпретируемая декомпозиция изменчивости в корреляционных матрицах. Нейронные вычисления , 28(3):445–484, 2016. pmid:26735746

32. 32.

    Hyvärinen A., Karhunen J. и Oja E. Анализ независимых компонентов . Wiley, 2001.

33. 33.

    Химберг Дж., Хюваринен А. и Эспозито Ф. Проверка независимых компонентов временных рядов нейровизуализации с помощью кластеризации и визуализации. Neuroimage , 22(3): 1214–1222, 2004. pmid:15219593

34. 34.

    Эспозито Ф., Скарабино Т., Хюваринен А., Химберг Дж., Формисано Э., Комани С. и др. Независимый компонентный анализ групповых исследований фМРТ методом самоорганизующейся кластеризации. Neuroimage , 25(1):193–205, 2005. pmid:15734355

35. 35.

    де Вен ван В. Г., Формисано Э., Првулович Д., Редер С. Х. и Линден Д. Э. Функциональная связность, выявленная с помощью анализа пространственных независимых компонентов измерений фМРТ во время отдыха. Картирование человеческого мозга , 22(3):165–178, 2004.

36. 36.

    Тейлор Дж., Уильямс Н., Кьюсак Р., Ауэр Т., Шафто М., Диксон М. и др. Хранилище данных Кембриджского центра старения и неврологии (Cam-CAN): структурные и функциональные данные МРТ, МЭГ и когнитивные данные из поперечного сечения образца взрослой жизни. НейроИзображение , 18, 2015.

37. 37.

    Ван Эссен Д. К., Смит С. М., Барч Д. М., Беренс Т. Э., Якуб Э., Угурбил К. и соавт. Проект WU-Minn Human Connectome: обзор. Neuroimage , 80:62–79, 2013. pmid:23684880

38. 38.

    Огава Т., Айхара Т., Симокава Т. и Ямасита О. Крупномасштабная сеть мозга, связанная с творческим пониманием: комбинированный анализ морфометрии на основе вокселей и функциональных связей в состоянии покоя. Научные отчеты , 8(1):6477, 2018. pmid:296

39. 39.

    Смит С.М., Дженкинсон М., Вулрич М.В., Бекманн С.Ф., Беренс Т.Е., Йохансен-Берг Х. и соавт. Достижения в функциональном и структурном анализе МР-изображений и реализации в качестве FSL. Neuroimage , 23:S208–S219, 2004. pmid:15501092

40. 40.

    Эшбернер Дж. Вычислительная анатомия с помощью программного обеспечения SPM. Магнитно-резонансная томография , 27(8):1163–1174, 2009. pmid:19249168

41. 41.

    Салими-Хоршиди ​​Г., Дуо Г., Бекманн С. Ф., Глассер М. Ф., Гриффанти Л. и Смит С. М. Автоматическое шумоподавление данных функциональной МРТ: сочетание анализа независимых компонентов и иерархического слияния классификаторов. Нейроизображение , 90:449–468, 2014.пмид:24389422

42. 42.

    Power J.D., Cohen A.L., Nelson S.M., Wig G.S., Barnes K.A., Church J.A., et al. Функциональная сетевая организация человеческого мозга. Neuron , 72(4):665–678, 2011. pmid:22099467

43. 43.

    Хюваринен А. Быстрые и надежные алгоритмы с фиксированной точкой для анализа независимых компонентов. Транзакции IEEE в нейронных сетях , 10(3):626–634, 1999. pmid:18252563

44. 44.

    Педрегоса Ф., Вароко Г., Gramfort A., Michel V., Thirion B., Grisel O., et al. Scikit-learn: Машинное обучение в Python. Journal of Machine Learning Research , 12:2825–2830, 2011.

45. 45.

    Келли К., Бисвал Б. Б., Крэддок Р. К., Кастелланос Ф. X. и Милхэм М. П. Характеристика вариаций функционального коннектома: перспективы и подводные камни. Trends in Cognitive Sciences , 16(3):181–188, 2012. pmid:22341211

46. 46.

    Беннет С. М. и Миллер М. Б. Насколько надежны результаты функциональной магнитно-резонансной томографии? Анналы Нью-Йоркской академии наук , 1191(1):133–155, 2010 г.пмид:203

47. 47.

    Фридман Л., Гловер Г. Х., Consortium F и др. Уменьшение межсканерной вариабельности активации в многоцентровом исследовании фМРТ: контроль различий отношения сигнал-флуктуация-шум (SFNR). Neuroimage , 33(2):471–481, 2006. pmid:16952468

48. 48.

    Полдрак Р. А., Мамфорд Дж. А. и Николс Т. Е. Справочник по функциональному анализу данных МРТ . Издательство Кембриджского университета, 2011.

49. 49.

    Авраам А., Педрегоса Ф., Эйкенберг М., Жерве П., Мюллер А. и др. Машинное обучение для нейровизуализации с помощью scikit-learn. Границы нейроинформатики , 8:14, 2014. pmid:24600388

50. 50.

    Грэди К., Сарраф С., Саверино К. и Кэмпбелл К. Возрастные различия в функциональных взаимодействиях между сетью по умолчанию, лобно-теменным контролем и дорсальной сетью внимания. Нейробиология старения , 41:159–172, 2016. pmid:27103529

51. 51.

    Лием Ф., Герлигс Л., Дамуазо Дж. С. и Маргулис Д. С. Функциональная связь при старении, 2019.

52. 52.

    Кремерс Х. Р., Вагер Т. Д. и Яркони Т. Связь между статистической мощностью и выводом в фМРТ. PloS one , 12(11):e0184923, 2017. pmid:2

    43

53. 53.

    Коул Дж. Х. и Франке К. Прогнозирование возраста с помощью нейровизуализации: инновационные биомаркеры старения мозга. Trends in Neurosciences , 40(12):681–690, 2017. pmid:2

32

54. 54.

    Зиппо А.Г., Кастильони И., Лин Дж., Борса В.М., Валенте М. и Бьелла Г.Е. Краткосрочное обучение классификации способствует быстрому глобальному улучшению обработки информации в функциональном коннектоме человеческого мозга. Frontiers in Human Neuroscience , 13:462, 2019a.

55. 55.

    Лоренц Р., Виоланте И.Р., Монти Р.П., Монтана Г., Хэмпшир А. и Лич Р. Диссоциация лобно-теменных мозговых сетей с помощью нейроадаптивной байесовской оптимизации. Связь с природой , 9(1):1–14, 2018.

56. 56.

    Зиппо А. Г., Дель Гроссо В., Патера А., Риккарди М. П., Тредичи И. Г., Бертоли Г. и др. Хроническая боль изменяет микроваскулярную архитектурную организацию соматосенсорной коры. bioRxiv , стр. 755132, 2019b.

57. 57.

    Калхун В. Д., Миллер Р., Перлсон Г. и Адали Т. Хронектом: изменяющиеся во времени сети связи как следующий рубеж в обнаружении данных фМРТ. Нейрон , 84(2): 262–274, 2014. pmid:25374354

58. 58.Монти Р. П., Хеллиер П., Шарп Д., Лич Р., Анагностопулос К. и Монтана Г. Оценка изменяющихся во времени сетей связи мозга по временным рядам функциональной МРТ. NeuroImage , 103:427–443, 2014. pmid:25107854
59. 59.

    Монти Р. П., Анагностопулос К., Монтана Г. и др. Изучение популяционных и предметных сетей связи мозга с помощью смешанного выбора соседства. Анналы прикладной статистики , 11(4):2142–2164, 2017a.

60. 60.Монти Р. П., Лоренц Р., Брага Р. М., Анагностопулос К., Лич Р. и Монтана Г. Оценка сетей динамической функциональной связности в реальном времени. Картирование человеческого мозга , 38(1):202–220, 2017b.
61. 61.
    Чанг А.В., Песке Э., Монти Р.П. и Г. Монтана. Классификация сетей hcp task-fMRI с использованием тепловых ядер. In 2016 Международный семинар по распознаванию образов в нейровизуализации (PRNI) , страницы 1–4. IEEE, 2016.
62. 62.

    Лоренц Р., Simmons L.E., Monti R.P., Arthur J.L., Limal S., Laakso I., et al. Эффективный поиск в больших пространствах параметров tac с использованием байесовской оптимизации с обратной связью. Стимуляция мозга , 12(6):1484–1489, 2019. pmid:31289013

63. 63.
    Монти Р., Лоренц Р., Хеллиер П., Лич Р., Анагностопулос К. и Г. Монтана. Графические вложения динамической функциональной связности выявляют отличительные модели выполнения задач в данных hcp. In 2015 Международный семинар по распознаванию образов в нейровизуализации , страницы 1–4.IEEE, 2015.
64. 64.

    Монти Р. П., Лоренц Р., Хеллиер П., Лич Р., Анагностопулос К. и Монтана Г. Декодирование сетей функциональной связности, изменяющихся во времени, с помощью методов встраивания линейных графов. Границы вычислительной нейронауки , 11:14, 2017c.

65. 65.

    Атрея А., Фишкинд Д. Э., Танг М., Прибе С. Э., Парк Ю., Фогельштейн Дж. Т. и др. Статистический вывод на графиках случайного скалярного произведения: опрос. Журнал исследований машинного обучения , 18(1):8393–8484, 2017 г.

66. 66.
    Хемахем И., Кингма Д. П., Монти Р. П. и Хюваринен А. Вариационные автоэнкодеры и нелинейный ica: унифицирующая структура. Препринт arXiv arXiv:1907.04809 , 2019.
67. 67.
    Монти Р. П., Чжан К. и Хюваринен А. Обнаружение причин с общими нелинейными отношениями с использованием нелинейного ica. Препринт arXiv arXiv:1904.09096 , 2019.
68. 68.
    Сасаки Х., Такенучи Т., Монти Р. и Хюваринен А. Надежное контрастное обучение и нелинейная ИКА при наличии выбросов. Препринт arXiv arXiv:1911.00265 , 2019.

границ | Быстрая МРТ головного мозга новорожденных с высоким разрешением посредством реконструкции сверхвысокого разрешения на основе полученных изображений с переменным направлением выбора среза

1.

Введение

Магнитно-резонансная томография (МРТ) как неинвазивный метод нейровизуализации за последние 20 лет произвела революцию в наших знаниях о человеческом мозге. Визуализация новорожденных и младенцев позволяет изучать развитие головного мозга и нарушения развития нервной системы на ранних стадиях, что крайне важно как для научных исследований, так и для клинических исследований (Weisenfeld and Warfield, 2009; Giampietri et al., 2015; Монгерсон и др., 2019 г.; Тортора и др., 2019; Дин и др., 2020). Однако точно очертить анатомические структуры головного мозга новорожденных сложно из-за небольшого размера тканей головного мозга по сравнению со взрослыми (Dubois et al., 2020). Таким образом, пространственное разрешение является критическим фактором при МРТ головного мозга новорожденных. Обычно используемые пространственные разрешения в современной клинической практике МРТ, такие как 3D-изображение с изотропным разрешением 1 мм и 2D-изображение с разрешением в плоскости 0,5 мм и толщиной среза 2 мм, к сожалению, вызывают больше артефактов частичного объема у новорожденных, чем у взрослых.

Интерпретация и анализ МРТ головного мозга новорожденных выигрывают от уменьшения эффекта частичного объема за счет увеличения пространственного разрешения (Makropoulos et al., 2018; Dubois et al., 2019). К сожалению, прямое получение МРТ с высоким разрешением (HR) требует много времени и средств, а также страдает от пониженного отношения сигнал-шум (SNR). Длительное МРТ-сканирование с высоким пространственным разрешением потенциально может вызывать артефакты движения (Afacan et al., 2016). Это более заметно у новорожденных, которым нельзя вводить седативные средства, например.г., при сканировании в целях научных исследований, когда седация обычно недоступна. Кроме того, даже при сканировании, где включена седация, чтобы избежать движения субъекта, например, при клиническом сканировании, длительное МРТ-сканирование с высоким пространственным разрешением приводит к существенному снижению ОСШ, что, в свою очередь, увеличивает трудности в различении интересующего сигнала. от шума. Основополагающий принцип, с точки зрения физики изображения, заключается в том, что уменьшенный размер вокселя приводит к уменьшению количества сигнала, принимаемого отдельными вокселами.Следовательно, приобретение короткой продолжительности имеет решающее значение для неонатальной МРТ. Таким образом, ограничения прямой регистрации ЧСС требуют разработки методов, позволяющих визуализировать новорожденных с высоким пространственным разрешением и высоким SNR, параллельно с короткой продолжительностью сканирования.

Современные методы устраняют вышеуказанные ограничения с помощью ряда методов, включая параллельную визуализацию (Pruessmann et al., 1999; Griswold et al., 2002), переход к МРТ сверхвысокого поля (7T) (Annink et al., 2020) и реконструкция сверхвысокого разрешения (SRR) (Plenge et al., 2012). Параллельная визуализация и МРТ 7T опираются на оборудование и платформы визуализации, такие как приемные катушки с фазированной решеткой высокой плотности и соответствующую модификацию последовательности импульсов. Напротив, SRR, как метод обработки после сбора данных, выполняется на собранных данных, которые обычно имеют низкое пространственное разрешение и высокое SNR. Поэтому на SRR не распространяются эти ограничения аппаратного обеспечения и платформ.

SRR был разработан Tsai and Huang (1984) и использовался для улучшения качества естественных изображений.Fiat (2001) представил SRR для МРТ. В работах Шеффлера (2002 г.) и Пеледа и Йешуруна (2002 г.) было показано, что SRR не может улучшить плоскостное разрешение 2D-МРТ или разрешение истинного 3D-снимка из-за схемы кодирования Фурье. Кроме того, это было продемонстрировано в Greenspan et al. (2002), что SRR эффективен для улучшения разрешения в сквозной плоскости при сборе стеков двумерных срезов, поскольку срезы индивидуально кодируются Фурье. Следовательно, современные методы SRR предназначены для уменьшения толщины стеков 2D-слоев.Комбинирование нескольких сканов с низким разрешением (LR) с разными ориентациями использовалось в исследовании Shilling et al. (2009), а затем эта схема была расширена в работе Poot et al. (2010) для выполнения SRR с произвольными ориентациями и переводами изображения. SRR был количественно оценен и экспериментально продемонстрирован Plenge et al. (2012), чтобы обеспечить компромисс между пространственным разрешением, SNR и временем сбора данных. Недавно были разработаны обширные методы SRR для улучшения качества МРТ с помощью различных методов (Gholipour et al., 2010а,б, 2015; Руссо и др., 2010; Мургасова и др., 2012; Шеррер и др., 2012, 2015; Ван Рит и др., 2012 г.; Кайнз и др., 2015; Далка и др., 2019; Суи и др., 2019, 2020).

Алгоритмы

SRR в основном можно классифицировать как метод, основанный на обучении, или метод, основанный на модели. SRR на основе обучения обобщает сопоставление шаблонов между изображениями LR и HR по наборам данных для обучения HR. В последнее время значительный интерес вызывает SRR на основе глубокого обучения (Chaudhari et al., 2018; Chen et al., 2018; Zhao et al., 2019; Черукури и др. , 2020 г.; Ван и др., 2020 г.; Сюэ и др., 2020). Тем не менее, эти методы требуют большого количества приобретений МРТ HR в качестве обучающих наборов данных для изучения модели SRR. Качество обучающих наборов данных напрямую определяет качество SRR. Однако, как обсуждалось выше, получить наборы данных HR практически сложно. Поэтому на практике обычно используется SRR на основе моделей. SRR на основе модели опирается на модель сбора данных МРТ, из которой выводится обратная задача.Поскольку SRR оценивает срезы со сверхвысоким разрешением по гораздо меньшему количеству полученных срезов, обратная задача ставится крайне некорректно. Предыдущие знания, также известные как регуляризация, обычно используются для отделения оптимальной оценки от бесконечного множества решений обратной задачи. Современные априорные данные включают общую вариацию (TV) (Plenge et al., 2012; Shi et al., 2015; Tourbier et al., 2015), нелокальное среднее (Manjón et al., 2010), и управление градиентом Sui et al. (2019, 2020).

В этой работе мы разработали методологию SRR, основанную на методе регуляризации градиентного наведения (Sui et al., 2019). Это позволяет проводить МРТ с высоким пространственным разрешением с высоким SNR, отличным соотношением контраста и шума (CNR) и сокращенным временем сканирования по сравнению с прямым получением HR. Мы достигли высокого качества МРТ головного мозга с пространственным разрешением изотропно 0,4 мм и временем визуализации 6 минут, используя SRR из трех коротких сканирований с переменным направлением выбора срезов. Компенсация движения достигается путем совмещения трех коротких сканирований вместе. Таким образом, наша методика подходит для использования в условиях, когда прямое измерение ЧСС нецелесообразно.Мы применили эту технику к 20 новорожденным и оценили качество реконструированных изображений. Эксперименты показывают, что наш подход SRR позволил значительно улучшить пространственное разрешение и отношение сигнал/шум, одновременно существенно сократив время сканирования по сравнению с прямым получением HR. Экспериментальные результаты показывают, что наш подход позволяет быстро и качественно проводить МРТ головного мозга новорожденных как для научных исследований, так и для клинических исследований.

Новизна этой работы заключается в четырех аспектах: (1) мы используем преимущество недостаточной выборки, которая позволяет нам формировать три неонатальных сканирования с недостаточной выборкой с сокращенным временем сбора данных; (2) Мы кодируем данные HR k-пространства с помощью трех быстрых наблюдений с недостаточной выборкой данных HR k-пространства, свернутых с пространственно ориентированным фильтром нижних частот (ориентированным аксиально, коронарно и сагиттально).Оценка изображения HR из наблюдений с недостаточной выборкой формулируется как задача реконструкции деконволюции; (3) Реконструкция деконволюции выигрывает от априорных значений положения края, которые легко получить и которые являются точными в наших условиях; и (4) мы применяем нашу технику к МРТ головного мозга новорожденных и получаем высококачественные изображения с меньшим временем получения.

2. Материалы и методы

Целью нашего подхода является создание МРТ-изображений головного мозга новорожденных с изотропным высоким пространственным разрешением и высоким отношением сигнал-шум с сокращенным временем получения данных как для научных исследований, так и для клинических исследований.Мы разрабатываем метод SRR, который может реконструировать изотропные изображения HR из нескольких анизотропных снимков с переменными направлениями при выборе среза. Чтобы оценить наш подход, мы смоделировали набор данных MPRAGE на основе изображений со сверхвысоким разрешением изотропных 250 мкм и получили 60 изображений T2 FSE от 20 новорожденных на сканере Siemens 3T. В этом разделе мы представляем теорию и алгоритм, используемые в нашем подходе, подробные описания наших наборов данных, критерии, используемые в оценках, и планы экспериментов, соответственно.

2.1. Стратегия приобретения МРТ новорожденных

Поскольку SRR эффективен для повышения разрешения в плоскости стеков 2D-срезов, мы получаем изображения с большим размером матрицы и толстыми срезами. Большой размер матрицы обеспечивает высокое разрешение в плоскости, а использование толстых срезов обеспечивает короткую продолжительность сканирования и высокое отношение сигнал/шум. Однако, чем толще срезы, тем сильнее эффект частичного объема и, следовательно, тем сложнее суперразрешение. С этой целью мы получаем несколько изображений LR для облегчения SRR, где приобретается большее количество срезов.Однако общее время сбора данных соответственно увеличивается из-за увеличения количества сканирований. К счастью, мы можем использовать методы быстрой визуализации для ускорения сканирования, такие как визуализация быстрого спинового эха (FSE). Для изображений с длительным временем повторения (TR), таких как T ₂ взвешенных изображений, метод FSE может значительно сократить продолжительность сканирования в n _ETL раз с длиной серии эхо-сигналов (ETL) раз. n _ETL , который обычно находится в диапазоне от 4 до 32 в клинической практике.

Целью SRR является оценка отсутствующего сигнала в k-пространстве на основе выборки данных k-пространства. Наш подход выполняет оценку в области пространственного изображения, которая связана с данными k-пространства посредством преобразований Фурье. Переменные направления выбора среза включаются в сборы LR-сканов, где каждое LR-сканирование содержит определенное количество данных k-пространства в направлении выбора слайса. Следовательно, набор сканирования LR содержит пространственные частоты в разных направлениях в трехмерном пространстве частотного спектра.Благодаря объединению нескольких таких LR-сканирований сложность SRR, таким образом, уменьшается, поскольку отбирается увеличенный объем данных k-пространства. Хотя направления выбора срезов и количество LR-сканов могут быть произвольными, ортогональные (аксиальные, коронарные и сагиттальные) снимки обычно достигают компромисса между временем сбора данных и эффективностью SRR, поскольку полученные данные дают три дополнительные плоскости изображения.

Мы получаем три изображения T2 FSE от каждого новорожденного с различными направлениями выбора срезов, которые обычно выполняются в трех дополнительных плоскостях (аксиальной, коронарной и сагиттальной), и выполняем SRR для формирования изотропного изображения HR.Выставляем параметры по времени сканирования:

T≃TR·⌈FoVpSp·facc·ETL⌉·NNEX,    (1)

, где FOV _{P P P P} обозначает поле зрения (FOV) в направлении фазового кодирования, S _P обозначает размер вокселя в направлении фазового кодирования, F _ACC — коэффициент ускорения параллельного отображения, ETL — длина серии эхо-сигналов, N _NEX — количество возбуждений, а x возвращает наименьшее целое число > x .Мы рекомендуем, чтобы FoV _p находился в диапазоне от 120 до 150 мм, чтобы соответствовать размеру головы объекта. S _p сохраняется на уровне 0,39 мм. Параллельная визуализация GRAPPA используется с коэффициентом ускорения 2. Усреднение не учитывается в нашем протоколе быстрой визуализации, поэтому N _NEX = 1. Мы рекомендуем использовать ETL между 16 и 21 для быстрого сканирования высокого качества. . TR обычно устанавливается на 10 с в зависимости от количества необходимых срезов, а также размера головы субъекта.Обычно мы получаем 60–80 срезов на изображение, а толщина среза фиксируется на уровне 2 мм. При использовании нашего протокола быстрой визуализации для получения изображения T2 FSE требуется менее 2 минут, т. е. T ≤ 120 с. Для наибольшего значения FOV, т. е. FoV _p = 150 мм, при ETL = 21 допускает TR ≤ 13,1 с согласно (1), что является достаточно высоким значением для ТР. Следовательно, наш протокол может обеспечить менее двух минут времени визуализации для получения изображения T2 FSE с разрешением в плоскости 0. 39 мм для новорожденного. Помимо параметров, связанных со временем сканирования, мы установили TE = 93 мс, угол поворота = 160° и интервал между эхосигналами = 9,8 мс. Мы используем режим сбора данных с чередованием, в котором используется четный порядок срезов по возрастанию с коэффициентом чередования 2, т. е. порядок срезов [2:2: N , 1:2: N -1] для изображения с N срезами. Изображение HR реконструируется с изотропным разрешением 0,39 мм, что является достаточно высоким для интерпретации и анализа анатомических структур головного мозга новорожденных в клинической практике.

2.2. Реконструкция МРТ новорожденных

Мы используем регуляризованный алгоритм SRR с наведением градиента (Sui et al., 2019) для реконструкции МРТ-изображений новорожденных. Учитывая n полученных LR-изображений {Y}k=1n, прямую модель, описывающую процесс получения МРТ, можно найти из HR-изображения X на

yk=DkHkTkx+εk, ,k=1,2,3,…,n,    (2)

, где y _k и x представляют собой вектор-столбцы Y _k и X соответственно; T _k обозначает преобразование координат X в трехмерном пространстве; H _k обозначает ядро ​​размытия; D _k обозначает операцию понижения дискретизации; и ε _k обозначает шум изображения.

Шум ε _k можно считать аддитивным и гауссовским, когда SNR>3 (Hansen and Kellman, 2015). Таким образом, шум в каждой регистрации можно независимо сформулировать как идентичное распределение Гаусса. Следовательно, реконструкция HR x получается путем решения обратной задачи

.
minx∑k=1n‖DkHkTkx-yk‖22+λ∑s∈S‖∇sx-gs‖1,    (3)

, где S индексирует набор градиентов пространственного изображения, g _s обозначает s -й компонент градиентного наведения, ∇ _s x 9008 вычисляет x , который рассчитывается из той же ориентации и того же масштаба, что и g _s , а λ>0 является параметром веса для члена регуляризации.Вышеуказанная минимизация может быть достигнута с помощью алгоритма субградиентного спуска (Bertsekas, 1999) или алгоритма проксимального градиентного спуска (Daubechies et al., 2003).

Поскольку изображения получаются быстро, мы считаем, что внутриобъемное движение головы во время получения отсутствует. Следовательно, преобразование T _k в уравнении (3) компенсирует рассогласование между сканированиями. Мы используем преобразование твердого тела для представления смещения. Следовательно, T _k определяется параметрами шести степеней свободы (трех для вращения и трех и поступательного).Сначала мы интерполируем все изображения LR до изображений того же размера и того же разрешения, что и изображение HR, реконструируемое с использованием метода интерполяции B-сплайна третьего порядка. Мы устанавливаем T _{1 ​​} в тождественное преобразование и оцениваем T _k для k > 1 путем выравнивания k -го интерполированного изображения LR с первым интерполированным изображением LR. В выравниваниях используется взаимная информация для измерения сходства между первым и k -м изображениями.Мы используем CRKIT для выравнивания изображения.

Ядро размытия H _k в уравнении (3) является оператором пространственного инварианта. Это усиливает эффект частичного объема в полученном изображении. Поскольку увеличивается только разрешение в плоскости, а разрешение в плоскости остается неизменным, мы разрабатываем ядро ​​размытия как фильтр нижних частот в направлении выбора среза, также известный как профиль среза. При получении МРТ каждый срез возбуждается за счет включения селективного градиента, генерируемого радиочастотой (РЧ).В идеале желательно, чтобы профиль среза представлял собой функцию с коробкой передач. Для этого требуется бесконечно много частот для получения ВЧ, которые невозможно получить на практике. Крайне важно правильно аппроксимировать профиль среза в SRR, поскольку аппроксимация напрямую влияет на точность прямой модели. Как правило, используются профили колоколообразной кривой с более широкими основаниями и более узкими центральными пиками, а толщина среза измеряется как полная ширина при половине максимальной (FWHM) интенсивности сигнала. Профили Гаусса широко используются в МРТ-реконструкции, и было показано, что они эффективны при SRR (Rousseau et al., 2005; Цзян и др., 2007 г.; Голипур и др., 2010a,b; Мургасова и др., 2012; Суи и др., 2019, 2020). Поэтому мы аппроксимируем профиль среза функцией Гаусса с полушириной, равной толщине среза.

Поскольку коэффициент понижения дискретизации может быть произвольным, а не целым числом для естественных изображений, выполнять понижение дискретизации в домене изображения неудобно. Следовательно, оператор понижающей дискретизации D _k в уравнении (3) реализуется в частотной области путем вырезания низких частот.Таким образом, соответствующая операция повышающей дискретизации реализуется путем вставки нулей в отсутствующие высокие частоты. В наших реализациях мы объединяем профиль Гаусса и оператор понижающей дискретизации в один фильтр в частотной области для повышения вычислительной эффективности. Поскольку профиль Гаусса выполняется в виде фильтра нижних частот, усечение высоких частот для понижения частоты дискретизации не вызывает колебаний интенсивности в области изображения.

Градиент пространственного изображения определяет реконструкцию ЧСС.Набор индексов S в члене регуляризации уравнения (3) включает 40 полей пространственного градиента, которые дают разные ориентации и разные масштабы, как предложено Sui et al. (2019). Все 40 полей градиента объединяются в руководство по градиенту, обозначенное как g в уравнении (3). s -я компонента g вычисляется отдельно из изображения, построенного методом интерполяции и среднего (IAA). В методе IAA выровненные n изображения LR интерполируются до того же размера при том же разрешении, что и реконструкция HR, а затем реконструированное изображение HR формируется путем усреднения интерполированных изображений n .В частности, для изображения, полученного с помощью IAA, обозначенного I , компонент управления градиентом вычисляется как I-DxαDyβDzγI, где Dmn обозначает операцию, которая циклически сдвигает изображение на м ∈{ x, y, z } направление по n вокселей. Мы устанавливаем α целыми числами от -2 до 2, а β и γ между 0 и 2. Мы исключаем компоненты, рассчитанные при α = β = γ = 0 и α + β + γ <0, чтобы исключить повторы. Следовательно, у нас есть 40 компонентов, рассчитанных для управления градиентом.Мы помещаем все 40 компонентов в набор S и индексируем их как g _s в уравнении (3). Мы установили весовой параметр регуляризации λ в уравнении (3) равным 0,1 во всех экспериментах в этой статье в соответствии с нашим экспериментальным исследованием.

Исходные коды и докер-версию нашего алгоритма реконструкции можно найти на нашем веб-сайте.

2.3. Критерии оценки

Мы оцениваем наш подход с точки зрения пространственного разрешения, SNR, CNR и времени сбора данных.

2.3.1. Пространственное разрешение

Интенсивность сигнала в вокселе количественно определяется как интегрирование сигнала по пространственной области, определяемой положением и размером вокселя. Пространственное разрешение обычно используется для описания в изображении количества 90 951 независимых 90 952 вокселей на единицу длины или объема. В отличие от меры, основанной на размере вокселя, пространственное разрешение относится к способности различать два типа тканей мозга, которые относительно близко расположены друг к другу.Поскольку артефакты частичного объема возникают из-за зависимых вокселей, количество вокселей, страдающих от эффектов частичного объема, может быть эффективной мерой пространственного разрешения. Чем выше пространственное разрешение, тем меньшее количество вокселей затронуто эффектами частичного объема. С этой целью мы оцениваем процент вокселей, которые содержат сигнал от более чем одного типа мозговой ткани, и используем его в качестве метрики оценки эффекта частичного объема. Таким образом, изображение с более высоким пространственным разрешением дает более низкое значение метрики эффекта частичного объема.

Мы рассматриваем три типа тканей головного мозга при оценке парциального объемного эффекта по МРТ-реконструкции новорожденных: спинномозговая жидкость (ЦСЖ), серое вещество (СМ) и белое вещество (БВ). Поскольку три ткани дают разные контрасты на МР-изображениях, интенсивность их вокселов разбросана по трем кластерам. Из-за частичного увеличения объема в трех кластерах могут быть перекрытия. Таким образом, мы исследуем распределение интенсивностей вокселей реконструкции HR. Сначала мы выбираем область изображения, содержащую три ткани, а затем строим гистограмму интенсивностей вокселов по выбранной области изображения.Это было показано в Laidlaw et al. (1998), что распределение интенсивности вокселов чистой ткани является гауссовым. Таким образом, мы подгоняем гистограмму интенсивностей вокселей по модели смеси Гаусса (GMM) с тремя компонентами, которые характеризуют три типа тканей мозга. Таким образом, воксели из чистой ткани идентифицируются, если их интенсивность находится в диапазоне от μ−δ до μ+δ, где μ и δ представляют собой среднее значение и половину FWHM соответствующего гауссова компонента в GMM соответственно. Мы применяем GMM ко всему изображению, чтобы сформировать набор вокселей-1, содержащий все воксели из трех тканей (т. т. е. воксели могут содержать сигнал более чем от одной ткани) и набор-2, состоящий из вокселей, идентифицированных из каждой чистой ткани (т. е. воксели содержат сигнал только от одной ткани). Следовательно, разница между двумя наборами вокселей указывает количество вокселей, пострадавших от частичного усреднения объема.

2.3.2. SNR и CNR

Мы вычисляем SNR изображения на основе среднего значения интенсивности сигнала по шуму. В частности, SNR находится по формуле SNR=10log10∑k=13wkskσ∑k=13wk, где с _k и w _k обозначают среднюю интенсивность сигнала вокселов в процентах и из k -й чистой ткани соответственно, а σ обозначает меру шума.Оба s _k и w _k могут быть получены непосредственно из подогнанной GMM, построенной выше. s _k вычисляется из среднего значения k -го гауссова компонента, а w _k оценивается как максимум k -го гауссова компонента. Мы выбираем область изображения на заднем плане и вычисляем стандартное отклонение интенсивностей вокселов по области в качестве меры шума.

Подобно SNR, мы вычисляем CNR по разнице среднего значения интенсивности сигнала между двумя типами тканей по сравнению с шумом: CNRj,k=10log10|si-sj|σ При оценке мы оцениваем CNR между CSF и GM, обозначаемый CNR:CSF-GM, CNR между CSF и WM, обозначаемый CNR:CSF-WM, и CNR между GM и WM, обозначаемый CNR:GM-WM.

2.4. Экспериментальный дизайн

Мы проводим два эксперимента для оценки нашего подхода к смоделированным данным, а также к данным, полученным от 20 новорожденных с помощью сканера Siemens 3T.Цель экспериментов — продемонстрировать, что наш подход обеспечивает высококачественную МРТ головного мозга новорожденных с сокращенным временем визуализации, что позволяет проводить исследования как в исследовательских, так и в клинических целях.

Мы использовали две другие стратегии сбора данных в качестве базовых схем для сравнения в экспериментах, включая прямое получение ЧСС (DA) и метод сверхвысокого разрешения на основе одного изображения (SISR). Наш подход был оценен путем сравнения с DA, чтобы убедиться в улучшении качества изображения и сокращении времени сбора данных.В SISR использовался тот же алгоритм SRR, что и в нашем подходе, с той же настройкой параметров. На самом деле это особый случай нашего подхода, когда было получено только одно LR-сканирование, т. е. n = 1 в уравнении (3). В нашем подходе мы использовали примерно в три раза больше срезов в одном LR-изображении, чем в LR-изображении, чтобы обеспечить одинаковое время сбора данных (путем проведения одинакового количества шагов фазового кодирования) для достоверного сравнения. Следовательно, сравнения с SISR оценивали превосходство нашего подхода с переменным направлением выбора среза по сравнению со сбором данных с постоянным направлением выбора среза.

Мы использовали другие четыре современных метода SRR в качестве базовых методов для оценки нашего подхода, включая метод интерполяции и среднего (IAA), общую вариацию (TV) до (Plenge et al., 2012), нелокальный метод повышающей дискретизации (NLU) (Manjón et al. , 2010) и метод SRR на основе глубокой сверточной сети (SRCNN) (Dong et al., 2016). Метод IAA интерполировал изображения n LR до того же размера и с тем же разрешением, что и реконструкция HR с помощью метода B-сплайна третьего порядка, а затем выравнивал все интерполированные изображения вместе.Окончательная реконструкция была получена путем усреднения всех интерполированных и совмещенных изображений. IAA является одним из наиболее широко используемых методов как в клинической практике, так и в научных исследованиях благодаря его эффективности в улучшении SNR. Поэтому мы сравнили наш подход с IAA, чтобы оценить применимость нашего подхода в практических задачах визуализации. Метод NLU дополнительно обрабатывал результаты, полученные IAA, с помощью алгоритма нелокального среднего. В телевизионном методе использовалась та же схема деконволюции, что и в нашем подходе к реконструкции изображения HR.Наша стратегия сканирования позволяет обучать глубокие 2D-модели SRR по мере получения срезов HR в плоскости. Глубокие модели SRR можно обучать на этих срезах HR, а затем использовать для сверхразрешения срезов LR в сквозной плоскости для создания изотропного изображения HR. Хотя в последние годы широко предлагались методы SRR на основе глубоких нейронных сетей, только легкие глубокие архитектуры позволяют проводить обучение из-за ограниченного количества срезов HR, полученных с помощью нашей стратегии сканирования. Поэтому мы использовали SRCNN в качестве глубокой базовой модели в экспериментах, которая включает около 8 тысяч параметров для обучения.Обученную модель применяли к срезам LR в сквозной плоскости каждого изображения LR. Реконструированное изображение HR было сформировано путем усреднения всех изображений со сверхвысоким разрешением по их вокселям. Мы установили весовой параметр телевизионного метода равным 0,1 для достижения наилучших результатов по результатам моделирования. Мы устанавливаем параметры в NLU в соответствии с рекомендацией Manjón et al. (2010).

2.4.1. Эксперимент 1: Моделирование данных MPRAGE

Цель этого эксперимента состоит из трех частей: (1) исследовать влияние регуляризации, управляемой градиентом, на производительность SRR; (2) продемонстрировать, что наша стратегия анизотропного сбора данных с переменными направлениями выбора срезов приводит к более высокому SRR по сравнению со стратегией одиночного сбора данных; и (3) показать, что наш подход SRR обеспечивает получение МР-изображений более высокого качества, чем прямое получение HR, с точки зрения пространственного разрешения и SNR.

Для экспериментальной цели мы смоделировали набор данных на основе набора данных Dryad, содержащего восемь изображений MPRAGE со сверхвысоким изотропным разрешением 250 мкм (Lusebrink et al., 2017). Этот набор данных был получен от взрослого субъекта, и время сбора данных составляло около 1 часа на изображение с очень сложными протоколами и операциями обработки до и после получения, чтобы сохранить удовлетворительное SNR. Таким образом, получить такие изображения в клинической практике практически невозможно. Поскольку в настоящее время нет общедоступных HR-сканов головного мозга новорожденных, а получить изображение HR новорожденного с удовлетворительным SNR сложно, мы использовали этот набор данных для демонстрации моделирования.Учитывая цель этого эксперимента, указанную выше, разумно использовать этот набор данных для демонстрации.

Мы создали восемь изображений с изотропным разрешением 0,5 мм путем понижения дискретизации каждого исходного изображения и использовали их как прямые измерения ЧСС. Понижающая дискретизация следовала процессу, определенному в прямой модели, как показано в уравнении (2). Затем мы смоделировали три изображения LR на основе каждой прямой записи HR в трех дополнительных плоскостях и использовали их в качестве наших анизотропных снимков с переменными направлениями при выборе срезов.Разрешение в плоскости этих изображений LR составляло 0,5 × 0,5 мм, а толщина среза составляла 2 мм. Чтобы сохранить контраст неизменным, мы приняли время эхо-сигнала (TE) и время повторения (TR) этих LR-изображений такими же, как и при прямой регистрации HR. Каждое прямое получение HR включало 193 600 шагов фазового кодирования, в то время как три изображения LR содержали в общей сложности 132 000 шагов фазового кодирования. Таким образом, время получения трех LR-изображений составило ~68% от времени прямого получения HR. Для однократного SRR на основе сбора данных мы создали LR-изображение с разрешением 0.5 х 0,5 х 0,73 мм. Разрешение было получено из того, что для этого изображения было выполнено такое же количество шагов фазового кодирования (132 000 шагов). Все симуляции для изображений LR следовали процессу, описанному в уравнении (2).

Мы исследовали весовой параметр регуляризации λ в уравнении (3), чтобы изучить влияние регуляризации, управляемой градиентом, на производительность SRR. Мы запустили наш подход SRR с различными значениями λ в определенном диапазоне и оценили пиковое отношение сигнал-шум (PSNR) и структурное сходство (SSIM) (Wang et al., 2004) по сравнению с наземным изображением в имитационном эксперименте. Мы зафиксировали значение λ во всех других экспериментах, описанных в этой статье, по результатам исследования.

Мы реконструировали изображения HR при изотропном разрешении 0,5 мм с использованием регуляризованного алгоритма SRR с наведением градиента, как показано в уравнении (3) для наборов данных, смоделированных с помощью анизотропной стратегии и стратегии одиночного сбора данных соответственно. Мы сравнили изображения HR, реконструированные с помощью нашего подхода, с реконструкциями HR с помощью SISR и прямыми приобретениями HR с точки зрения пространственного разрешения, SNR и CNR. Путем сравнения мы можем ответить на вопросы: (1) может ли SRR строить изображения более высокого качества с меньшим временем получения, чем прямое получение HR? и (2) при том же времени сбора данных, какая стратегия сбора данных приводит к лучшему SRR, наша анизотропная регистрация или однократная регистрация? Второй вопрос, по сути, касается того, как мы распределяем сбор данных для лучшего SRR при фиксированном времени сбора.

2.4.2. Эксперимент 2: Оценка клинических данных T2 FSE

Целью этого эксперимента является оценка нашего подхода к клиническим данным и демонстрация того, что наш подход может обеспечить высококачественные изображения как для научных исследований, так и для клинических исследований головного мозга новорожденных.С этой целью мы получили набор данных с протоколом, представленным выше. Набор данных включал 60 неонатальных МРТ-изображений головного мозга, полученных от 20 новорожденных (получено по три от каждого). Все сканирования были выполнены в соответствии с протоколом местного институционального наблюдательного совета (IRB). Мы включили метод IAA в качестве основы в этот эксперимент, который является одним из наиболее широко используемых методов как в клинической практике, так и в научных исследованиях. Изображения HR были реконструированы с разрешением изотропного 0.39 мм в этом эксперименте по нашему подходу и методу ИАА. Эти реконструированные изображения HR оценивались с точки зрения пространственного разрешения, SNR и CNR.

3. Результаты

Наш алгоритм реконструкции был реализован в MATLAB (The MathWorks Inc.) без какой-либо оптимизации кода. Мы выполнили наш алгоритм на рабочей станции с процессором Intel Xeon @ 2,1 ГГц и 128 ГБ памяти. На восстановление изображения типичного размера 384 × 384 × 384 вокселей ушло около 15 мин.

Мы сообщали и визуализировали наши количественные результаты, используя диаграмму «ящик и ус» (McGill et al., 1978; Лэнгфорд, 2006). В каждом квадрате центральная отметка указывала на медиану, а нижний и верхний края прямоугольника указывали на 25-й и 75-й процентили соответственно. Усы простирались до самых экстремальных точек данных.

3.1. Эксперимент 1: Моделирование данных MPRAGE

На рис. 1 показаны результаты исследования влияния градиентной регуляризации на характеристики SRR с точки зрения PSNR и SSIM. Результаты показывают, что наш подход SRR работал лучше всего с весовым параметром регуляризации λ в диапазоне от 0.05 до 0,3. Результаты также показывают, что регуляризация значительно улучшила производительность SRR для набора данных моделирования, ссылаясь на результаты при λ = 0 (в случае отсутствия регуляризации). Поэтому, согласно результатам исследования, мы зафиксировали весовой параметр регуляризации λ равным 0,1 во всех остальных экспериментах, описанных в этой статье.

Рисунок 1 . Исследование влияния управляемой градиентом регуляризации на характеристики SRR с точки зрения PSNR и SSIM.Результаты показывают, что наш подход SRR работает лучше всего с весовым параметром регуляризации λ в диапазоне от 0,05 до 0,3. Результаты также показывают, что регуляризация значительно улучшила производительность SRR для набора данных моделирования, ссылаясь на результаты при λ = 0 (в случае отсутствия регуляризации).

На рис. 2 показаны оценки эффекта частичного объема по восьми изображениям MPRAGE, полученным и реконструированным непосредственно с помощью SISR, и наш подход к смоделированному набору данных соответственно.Средний процент вокселей, страдающих от эффекта частичного объема, составил соответственно 10,82 ± 5,02%, 10,48 ± 4,93% и 9,99 ± 4,80% при использовании методов прямого сбора данных, SISR и нашего. Результаты показывают, что наш подход обеспечил самое высокое пространственное разрешение для этого набора данных. Наш подход привел к уменьшению парциальных объемных эффектов на 7,7%, что привело к улучшению пространственного разрешения по сравнению с прямыми измерениями с изотропным разрешением 0,5 мм. Результаты также показывают, что SRR (как SISR, так и наш подход) достигла более высокого пространственного разрешения с гораздо меньшим временем сбора данных, чем прямое получение HR.

Рисунок 2 . Оценки парциальных объемных эффектов (PVE) из восьми изображений MPRAGE, непосредственно полученных и реконструированных с помощью SISR, и наш подход к смоделированному набору данных соответственно. Средний процент вокселей, страдающих от PVE, составил соответственно 10,82 ± 5,02, 10,48 ± 4,93 и 9,99 ± 4,80% при использовании методов прямого сбора данных (DA), SISR и нашего. Результаты показывают, что наш подход обеспечил самое высокое пространственное разрешение для этого набора данных. Наш подход дал 7.Снижение парциальных объемных эффектов на 7%, что приводит к улучшению пространственного разрешения по сравнению с прямыми измерениями ЧСС. Результаты также показывают, что SRR (как SISR, так и наш подход) достигла более высокого пространственного разрешения с гораздо меньшим временем сбора данных, чем прямое получение HR.

На рис. 3 показаны результаты прямого сбора данных, SISR и нашего подхода с точки зрения SNR и CNR по восьми сборам/реконструкциям MPRAGE на смоделированном наборе данных. Среднее значение SNR, полученное при прямом захвате, SISR и нашем подходе, составило 14.51 ± 0,57, 15,66 ± 0,48 и 16,62 ± 0,56 дБ соответственно. Наш подход позволил достичь более высокого отношения сигнал-шум в этом наборе данных и дал увеличение отношения сигнал-шум на 2,11 дБ по сравнению с прямыми измерениями. Двухвыборочный t -критерий при уровне значимости 5% показал, что наш подход значительно превосходит DA ( p = 3,02 e ⁻⁶ ) и SISR ( p = 2,40 1 − 90 ). Критерии знакового ранга Уилкоксона, где нулевая гипотеза состояла в разнице двух наборов данных, полученных из распределения с нулевой медианой, показали, что средний ранг популяции нашего подхода значительно отличался от двух исходных значений SNR при уровне значимости 5% ( отклонил нулевую гипотезу с p = 7.8 e ⁻³ как для DA, так и для SISR). Наш подход постоянно предлагал самые высокие CNR между тремя типами тканей мозга в этом наборе данных. В частности, наш подход позволил достичь CNR на 1,31 дБ выше между GM и WM, чем прямое обнаружение. Результаты показывают, что SRR привел к значительному улучшению SNR и CNR по сравнению с прямым получением HR.

Рисунок 3 . Результаты прямого сбора (DA), SISR и нашего подхода с точки зрения SNR и CNR из восьми сборов/реконструкций MPRAGE из смоделированного набора данных. (A) Средние значения SNR, полученные из DA, SISR и нашего подхода, составили 14,51 ± 0,57, 15,66 ± 0,48 и 16,62 ± 0,56 дБ соответственно. Наш подход позволил добиться более высокого отношения сигнал/шум в этом наборе данных и дал увеличение отношения сигнал-шум на 2,11 дБ по сравнению с прямым сбором данных. Двухвыборочный t -критерий при уровне значимости 5% показал, что наш подход значительно превосходит DA ( p = 3,02 e ⁻⁶ ) и SISR ( p = 2,40 1 − 90 ).Критерии знакового ранга Уилкоксона, где нулевая гипотеза состояла в разнице двух наборов данных, полученных из распределения с нулевой медианой, показали, что средний ранг популяции нашего подхода значительно отличался от двух исходных значений SNR при уровне значимости 5% ( отклонил нулевую гипотезу с p = 7,8 e ^-3 как для DA, так и для SISR). (B–D) Наш подход постоянно предлагал самые высокие CNR между тремя типами тканей мозга в этом наборе данных.В частности, наш подход позволил достичь CNR на 1,31 дБ выше между GM и WM, чем прямое обнаружение. Результаты показывают, что SRR привел к значительному улучшению SNR и CNR по сравнению с прямым получением HR.

На рис. 4 показаны качественные результаты репрезентативных срезов изображений, полученных напрямую, реконструированных с помощью SISR и нашего подхода соответственно. Срезы, непосредственно полученные и сформированные с помощью SISR, были намного шумнее по сравнению с нашими реконструкциями. Шум был более заметен для SISR в вокселах черепа, как показано красными стрелками.Хотя нас интересовали CSF, GM и WM, шумные воксели черепа показали, что SISR генерировал шум на всех изображениях, но не такой очевидный, как шум черепа.

Рисунок 4 . Качественные результаты в репрезентативных срезах изображений (A) , полученных напрямую, (B) , реконструированных с помощью SISR, и (C) , реконструированных с помощью нашего подхода, соответственно, на смоделированном наборе данных. Срезы, непосредственно полученные и сформированные с помощью SISR, были намного шумнее по сравнению с нашими реконструкциями.Шум был более заметен для SISR в вокселах черепа, как показано красными стрелками. Хотя нас интересовали CSF, GM и WM, шумные воксели черепа показали, что SISR генерировал шум на всех изображениях, но не такой очевидный, как шум черепа.

3.2. Эксперимент 2: Оценка клинических данных T2 FSE

На рис. 5 показано качество 20 изображений HR, реконструированных с помощью пяти методов SRR, на наборе клинических данных с точки зрения SNR и CNR.Среднее значение SNR, достигнутое пятью методами, составляет соответственно: IAA = 20,19 ± 2,57 дБ, TV = 19,17 ± 3,40 дБ, NLU = 19,92 ± 2,04 дБ, SRCNN = 20,18 ± 1,98 дБ, Ours = 20,04 ± 2,77 дБ. IAA, NLU и SRCNN генерировали высокое SNR, поскольку они выиграли от усреднения для улучшения SNR и CNR. Наш подход предлагал сравнимое отношение сигнал-шум с IAA, NLU и SRCNN и превосходил TV примерно на 1 дБ с точки зрения отношения сигнал-шум. Наш подход дал несколько более высокие CNR по сравнению с пятью базовыми уровнями для спинномозговой жидкости и дал значительно более высокий CNR между серым и белым веществом, чем эти базовые уровни.

Рисунок 5 . Качество 20 изображений HR, реконструированных пятью методами SRR, на наборе клинических данных с точки зрения SNR и CNR. (А) SNR; (B) CNR между спинномозговой жидкостью и серым веществом; (C) CNR между спинномозговой жидкостью и белым веществом; и (D) CNR между серым и белым веществом. Среднее значение SNR, полученное пятью методами, составляет соответственно: IAA = 20,19 ± 2,57 дБ, TV = 19,17 ± 3,40 дБ, NLU = 19,92 ± 2.04 дБ, SRCNN = 20,18 ± 1,98 дБ, Наши = 20,04 ± 2,77 дБ. IAA, NLU и SRCNN генерировали высокое SNR, поскольку они выиграли от усреднения для улучшения SNR и CNR. Наш подход предлагал сравнимое отношение сигнал-шум с IAA, NLU и SRCNN и превосходил TV примерно на 1 дБ с точки зрения отношения сигнал-шум. Наш подход дал несколько более высокие CNR по сравнению с пятью базовыми уровнями для спинномозговой жидкости и дал значительно более высокий CNR между серым и белым веществом, чем эти базовые уровни.

Рисунок 6. Пространственное разрешение, оцененное по двадцати изображениям, реконструированным по четырем базовым линиям, и наш подход к набору клинических данных с точки зрения эффекта частичного объема.Средние PVE, достигнутые пятью методами, составляют соответственно: IAA = 19,40 ± 11,85 %, TV = 9,02 ± 7,30 %, NLU = 11,35 ± 7,69 %, SRCNN = 10,88 ± 7,46 %, Ours = 7,25 ± 4,37 %. Наш подход предложил значительно меньший процент вокселов, страдающих от частичного усреднения объема в реконструкциях HR, чем четыре базовых линии, что привело к значительному улучшению пространственного разрешения. Двухвыборочный t -критерий при уровне значимости 5% показал, что наш подход значительно превосходит IAA ( p = 1.40 e ^-6 ), NLU ( p = 2,65 e ^-4 ) и SRCNN ( p = 5,39 e 4 ^{— ). Критерии знакового ранга Уилкоксона, где нулевая гипотеза заключалась в разнице двух наборов данных, полученных из распределения с нулевой медианой, показали, что средний ранг популяции нашего подхода значительно отличался от исходных значений в PVE при уровне значимости 5% (отклонено). нулевая гипотеза с p = 8,86 e -5 для IAA, p = 2.76 e −2 для ТВ, p = 1,89 e −4 для NLU и p = 2,93 e 2 −4 для SRC). На рис. 6В показана демонстрация оценки эффекта частичного объема на репрезентативном изображении. Кривая с квадратным маркером показывает распределение вокселей изображения. Пунктирные линии изображают три компонента Гаусса в подобранном GMM. Сплошная линия указывает на установленный GMM. Три компонента слева направо представляли воксели из GM, WM и CSF соответственно.Разница в площади под кривой между распределением вокселов и подобранной GMM в диапазоне между двумя последовательными компонентами соответствовала оценке парциального объемного эффекта.}

Рисунок 6 . Пространственное разрешение оценивалось по двадцати изображениям, реконструированным пятью методами SRR, на наборе клинических данных с точки зрения парциального объемного эффекта (PVE). (A) Среднее значение PVE, достигнутое пятью методами, составляет соответственно: IAA = 19,40 ± 11,85%, TV = 9.02 ± 7,30 %, NLU = 11,35 ± 7,69 %, SRCNN = 10,88 ± 7,46 %, Наши = 7,25 ± 4,37 %. Наш подход предложил значительно меньший процент вокселей, страдающих от PVE в реконструкциях HR, чем четыре базовых линии, что привело к значительному повышению пространственного разрешения. Двухвыборочный t -критерий при уровне значимости 5% показал, что наш подход значительно превосходит IAA ( p = 1,40 e ⁻⁶ ), NLU ( p = 2,65 − ^{2 2 2 ) ) и SRCNN ( p = 5.39 e −4 ). Критерии знакового ранга Уилкоксона, где нулевая гипотеза заключалась в разнице двух наборов данных, полученных из распределения с нулевой медианой, показали, что средний ранг совокупности нашего подхода значительно отличался от исходных значений в PVE при уровне значимости 5% (отклонено Нулевая гипотеза с P = 8. 86 E -5 для IAA, P = 2,76 E -2 для ТВ, P = 1,89 E -4 для NLU и р = 2.93 e −4 для SRCNN). (B) Демонстрация оценки PVE на репрезентативном изображении. Кривая с квадратным маркером показывает распределение вокселей изображения. Пунктирные линии изображают три компонента Гаусса в GMM. Сплошная линия указывает на установленный GMM. Три компонента слева направо представляли воксели из GM, WM и CSF соответственно. Разница в площади под кривой между распределением вокселов и подобранной GMM в диапазоне между двумя последовательными компонентами соответствовала оценке PVE.}

На рис. 7 показаны предполагаемые воксели, страдающие от частичного усреднения объема в репрезентативном срезе изображения, реконструированного с помощью четырех базовых линий и нашего подхода соответственно. Результаты показывают, что почти все воксели с эффектом частичного объема были от границ между различными типами тканей мозга. Наш подход включал гораздо меньше вокселов с эффектом частичного объема, чем четыре базовых метода. Красными стрелками отмечены области изображения с выраженным частичным эффектом объема на срезе, полученном с помощью четырех базовых методов.Результаты показывают, что наш подход предложил значительно улучшенное пространственное разрешение этого изображения.

Рисунок 7 . Предполагаемые воксели, страдающие от эффекта частичного объема (PVE) в репрезентативном фрагменте изображения, реконструированного с помощью четырех базовых линий и нашего подхода. Результаты показывают, что почти все воксели с PVE были от границ между различными типами тканей мозга. Наш подход включал гораздо меньше вокселей с PVE, чем четыре базовых уровня. Красными стрелками отмечены области изображения с выраженным парвовирусным энцефалитом на срезе, полученном с помощью четырех базовых методов.Результаты показывают, что наш подход предложил значительно улучшенное пространственное разрешение этого изображения.

На рис. 8 показаны качественные результаты репрезентативных срезов изображений, реконструированных пятью методами SRR. Результаты показывают, что наш подход достиг наилучших качественных показателей в отношении контрастности и резкости изображения, в частности, при разграничении структур гиппокампа, показанных в коронарной и сагиттальной плоскостях. Телевизионный метод чрезмерно повышал резкость изображения, что приводило к зашумленным реконструкциям.Наш подход надлежащим образом подавлял шумовое загрязнение, повышая резкость краев изображения. Изображения, реконструированные IAA, NLU и SRCNN, содержали артефакты, вызванные усреднением изображений, преобразованных в результате выравнивания, как показано красными стрелками. Напротив, наш подход не был затронут выравниванием.

Рисунок 8 . Качественные результаты в репрезентативных срезах изображений, реконструированных пятью методами SRR. Наш подход достиг наилучших качественных показателей в отношении контрастности и резкости изображения, в частности, на разграничении структур гиппокампа, показанных в коронарной и сагиттальной плоскостях. Телевизионный метод сделал изображение чрезмерно резким, что привело к зашумленной реконструкции. Наш подход надлежащим образом подавлял шумовое загрязнение, повышая резкость краев изображения. Изображения, реконструированные IAA, NLU и SRCNN, содержали артефакты, вызванные усреднением изображений, преобразованных в результате выравнивания, как показано красными стрелками. Напротив, наш подход не был затронут выравниванием.

4. Обсуждение

Мы разработали методологию быстрой МРТ головного мозга новорожденных с высоким разрешением.Эта методология обеспечивает высокое пространственное разрешение, высокое отношение сигнал-шум и отношение сигнал-шум, а также сокращение времени сканирования по сравнению с прямым получением HR. Мы достигли высокого качества МРТ головного мозга с пространственным разрешением изотропного 0,4 мм с 6-минутным временем визуализации. Мы также продемонстрировали наш подход на смоделированных данных, а также на клинических данных, полученных от двадцати новорожденных. Экспериментальные результаты показали, что наш подход позволяет быстро и качественно проводить МРТ головного мозга новорожденных как в научных, так и в клинических исследованиях.

В эксперименте по моделированию мы показали, что при SRR достигается на 7,7 % меньший эффект парциального объема и на 2,11 дБ выше SNR, чем при прямом сборе данных при изотропном разрешении 0,5 мм, в то время как параллельно только 68 % времени сканирования при прямом сборе HR , как показано на рис. 2. Поскольку непосредственно полученные изображения HR были очень шумными, края изображения были размыты шумом, и, в свою очередь, пространственное разрешение было снижено. В SRR, поскольку использовались толстые срезы, SNR было улучшено в изображениях LR, как описано в прямой модели, показанной в уравнении (2).Ядро размытия H _k в уравнении (2) уменьшило шум за счет фильтрации нижних частот. Чем толще ломтики, тем меньше шум. Кроме того, регуляризованный алгоритм SRR с наведением градиента использовался для реконструкции изображений HR как в SISR, так и в нашем подходе. Этот алгоритм включает в себя фильтр деконволюции изображения, который позволяет дополнительно уменьшить шум при реконструкции HR. Если время сканирования можно увеличить, например, используя оставшиеся 32% времени сканирования для получения большего количества изображений LR с помощью нашего протокола, наш подход может достичь гораздо более высокого пространственного разрешения и SNR.

В эксперименте с клиническими данными T2 FSE мы показали, что наш подход дает SNR, сравнимый с методами IAA, NLU и SRCNN, при значительно более высоком пространственном разрешении. Операция усреднения в трех базовых методах улучшила SNR, поскольку шум был сглажен усреднением. Однако усреднение неожиданно снизило пространственное разрешение, поскольку оно также размыло границы ткани (края изображения), как показано на рис. 7. Наш подход вместо усреднения данных объединил три изображения LR методом деконволюции, что одновременно улучшило пространственное разрешение. разрешение и ОСШ.Как указано в прямой модели, показанной в уравнении (2), полученное изображение y _k было ухудшено с помощью свертки с ядром размытия H _k . В производной обратной задаче, определенной в уравнении (3), была использована операция деконволюции как обратная операция свертки с H _k для восстановления изображения после размытия. Эта операция также известна как устранение размытия. Поскольку было задействовано только ядро ​​ H _k , шум, отфильтрованный при свертке, не восстанавливался при деконволюции, что приводило к улучшению SNR в реконструированном изображении HR.В методе ТВ использовалась та же схема деконволюции, что и в нашем подходе. Тем не менее, телевизор ранее чрезмерно повышал резкость изображения, поскольку не учитывал локальное сглаживание, что приводило к зашумленным реконструкциям.

Как показано на рис. 8, методы IAA, NLU и SRCNN внесли артефакты, вызванные усреднением по различному количеству вокселей в решетке, поскольку при выравнивании изображения некоторые воксели отображались с неопределенными значениями интенсивности. Хотя в этом случае артефакты находились за пределами мозга, было бы проблемой, если бы изображения LR, которые содержат только частичные области мозга, были включены в SRR, что привело бы к пригодным для использования реконструкциям. Благодаря методу, который мы использовали для объединения изображений, наш подход не пострадал от выравнивания и не вносил таких артефактов в реконструированные изображения HR. Как показано в обратной задаче, определенной в уравнении (3) для нашего SRR, операции деконволюции для каждого изображения LR совместно объединяются в члене точности данных. Кроме того, регуляризация включает руководство по пространственному градиенту, которое ограничивает реконструкцию HR, включая локальные сглаженные области, разделенные четкими краями изображения.ℓ _{1 ​​} -минимизация, применяемая к регуляризации, гарантирует, что локальные области не будут чрезмерно сглажены. Следовательно, наш SRR предлагает как сглаживание локальной области для однородной интенсивности, так и усиление краев для сохранения границ ткани в реконструированном изображении HR и не включает артефакты, возникающие при выравнивании изображения.

Наш протокол позволяет получить изображение T2 FSE с разрешением 0,39 × 0,39 × 2 мм за 2 мин. МРТ новорожденных позволяет значительно быстрее получить изображение с контрастом T ₂ при разрешении изотропного 0.39 мм за 6 минут общего времени визуализации. Для сравнения, за 6 минут времени визуализации мы можем напрямую получить 3D-изображение T2 SPACE с разрешением изотропного 1 мм на нашем сканере 3T. Получение тех же данных с изотропным разрешением 0,39 мм может быть выполнено, но при этом будет получено примерно в 16,9 раз больше данных, и поэтому требуется увеличенное время сбора данных с удлиненным фазовым кодированием, уменьшенной полосой пропускания считывания на пиксель и гораздо более требовательным переменным углом поворота. расчет потери сигнала при кодировании с удлиненной фазой.Предполагая, что мы учитываем только увеличенное количество требуемых фазовых кодов, для получения этих данных потребуется 6 × 6,57 = 39,4 мин. Кроме того, отношение сигнал-шум снижается при смещении каждого вокселя с 1 куб. мм до 0,39 ³ куб. мм, что означает уменьшение сигнала в 16,9 раза. Для того чтобы SNR данных HR совпадал с SNR данных объемом 1 куб. мм, необходимо увеличить SNR в 16,9 раза, что можно сделать путем усреднения 16,9 × 16,9 ≈ 285 измерений. Следовательно, для получения одного изображения HR с согласованным SNR потребуется 285 × 39.4 = 11 266 минут, или чуть меньше 8 дней на МРТ.

Наш подход позволяет использовать критически важные клинические приложения с широким разрешением благодаря расширенному пространственному разрешению и улучшенному соотношению сигнал-шум при одновременном сокращении времени визуализации. Было показано, что высокое пространственное разрешение облегчает диагностику заболеваний головного мозга, таких как эпилепсия (Conlon et al., 1988), рассеянный склероз (Truyen et al., 1996), и характеристику опухолей (Naruse et al., 1986). Наш подход достиг изотропного пространственного разрешения 0.4 мм, что позволяет выполнять клинические процедуры, такие как обнаружение аномалий сигнала из-за травмы головного мозга и измерение биометрических показателей нарушения роста мозга (Kidokoro et al. , 2013), и, в свою очередь, позволяет использовать новые инструменты оценки для МРТ головного мозга новорожденных. . Наш быстрый метод визуализации с высоким разрешением можно применять в клинических и научных исследованиях головного мозга новорожденных, таких как предсказание черепно-мозговой травмы (Kidokoro et al., 2014; Haebich et al., 2019), для лучшее понимание потенциальных путей, ведущих к изменению структуры мозга и исходу у недоношенных детей (Inder et al., 1999; Томпсон и др., 2007).

В заключение, мы использовали стратегию получения для улучшения SRR в неонатальной МРТ головного мозга, которая использует множественные анизотропные приобретения с переменными направлениями в выборе среза. Мы достигли неонатальной МРТ головного мозга с пространственным разрешением изотропного 0,4 мм с 6-минутным временем визуализации. Мы продемонстрировали, что наш подход позволяет значительно быстрее и качественнее проводить МРТ головного мозга новорожденных по сравнению с прямой регистрацией ЧСС. Обширные экспериментальные результаты показали, что наш подход позволяет проводить МРТ головного мозга новорожденных высокого качества как для научных исследований, так и для клинических исследований.

Заявление о доступности данных

Необработанные данные, подтверждающие выводы этой статьи, будут предоставлены авторами без неоправданных оговорок.

Заявление об этике

Исследования с участием людей были рассмотрены и одобрены Институциональным наблюдательным советом Бостонской детской больницы. Письменное информированное согласие на участие в этом исследовании было предоставлено законным опекуном/ближайшим родственником участников.

Вклад авторов

YS: методология, программное обеспечение, проверка, формальный анализ и написание.SW: концептуализация, методология и надзор. AG: методология и валидация. ОД: методология, проверка и обработка данных. Все авторы внесли свой вклад в статью и одобрили представленную версию.

Финансирование

Исследование, представленное в данной публикации, было частично поддержано Национальным институтом биомедицинской визуализации и биоинженерии, Национальным институтом неврологических расстройств и инсульта, Национальным институтом психического здоровья и Офисом директора Национальных институтов здравоохранения Институты здравоохранения (NIH) под номерами наград R01 NS079788, R01 EB019483, R01 EB018988, R01 NS106030, IDDRC U54 HD0, S10OD025111; исследовательский грант от Программы трансляционных исследований Бостонской детской больницы; Премия за технологические инновации в неврологии от Фонда Макнайта; исследовательский грант от исследовательского фонда Thrasher; и пилотный грант Национального общества рассеянного склероза под номером премии PP-1905-34002. Содержание является исключительной ответственностью авторов и не обязательно отражает официальную точку зрения NIH, Бостонской детской больницы, Исследовательского фонда Трэшера, Национального общества рассеянного склероза или Фонда Макнайта.

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Сноски

Ссылки

Афакан, О., Erem, B., Roby, D.P., Roth, N., Roth, A., Prabhu, S.P., et al. (2016). Оценка движения и его влияние на качество магнитно-резонансного изображения головного мозга у детей. Педиатр. Радиол . 46, 1728–1735. doi: 10.1007/s00247-016-3677-9

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Аннинк, К.В., ван дер Аа, Н.Е., Дудинк, Дж., Алдерлистен, Т., Грюнендал, Ф., Лекуин, М., и др. (2020). Внедрение ультравысокопольной МРТ у младенцев: подготовка и осуществимость. утра. Дж. Нейрорадиол . 41, 1532–1537. doi: 10.3174/ajnr.A6702

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Берцекас, Д. (1999). Нелинейное программирование, 2-е издание . Афина научная.

Академия Google

Чаудхари А., Фанг З., Коган Ф., Вуд Дж., Стивенс К., Гиббонс Э. и др. (2018). МРТ опорно-двигательного аппарата сверхвысокого разрешения с использованием глубокого обучения. Маг. Резон. Мед . 80, 2139–2154. doi: 10.1002/мрм.27178

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Чен Ю., Ши Ф., Христодулу А. Г., Се Ю., Чжоу З. и Ли Д. (2018). «Эффективное и точное сверхвысокое разрешение МРТ с использованием генеративной состязательной сети и трехмерной многоуровневой плотно связанной сети», в Вычисление медицинских изображений и компьютерное вмешательство (MICCAI) (Гранада). дои: 10.1007/978-3-030-00928-1_11

Полнотекстовая перекрестная ссылка | Академия Google

Черукури, В. , Го, Т., Шифф, С.Дж., и Монга, В. (2020). Глубокое МРТ-изображение головного мозга сверхвысокого разрешения с использованием пространственно-структурных априорных значений. IEEE Trans. Процесс изображения . 29, 1368–1383. doi: 10.1109/TIP.2019.2942510

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Конлон П., Тримбл М., Роджерс Д. и Калликотт К. (1988). Магнитно-резонансная томография при эпилепсии: контролируемое исследование. Эпилепсия Res . 2, 37–43. дои: 10.1016/0920-1211(88)-3

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Далка, А.В., Боуман, К.Л., Фриман, В.Т., Рост, Н.С., Сабунку, М.Р., и Голланд, П. (2019). Вменение медицинских изображений из коллекций изображений. IEEE Trans. Мед. Визуализация 38, 504–514. doi: 10.1109/TMI.2018.2866692

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Добеши, И., Дефриз, М., и Мол, К. Д. (2003). Итеративный пороговый алгоритм для линейных обратных задач с ограничением разреженности. Комм. Чистое приложение Математика . 57, 1413–1457.doi: 10.1002/cpa.20042

Полнотекстовая перекрестная ссылка | Академия Google

Дин, Ю., Акоста, Р., Энгуикс, В., Сюффрен, С., Ортманн, Дж., Лак, Д., и др. (2020). Использование глубоких сверточных нейронных сетей для сегментации изображений головного мозга новорожденных. Фронт. Нейроски . 14:207. doi: 10.3389/fnins.2020.00207

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Донг, К., Лой, К.С., Хе, К., и Танг, X. (2016). Изображение сверхвысокого разрешения с использованием глубоких сверточных сетей. IEEE Trans. Анальный узор. Мах. Интел . 38, 295–307. doi: 10.1109/TPAMI.2015.2439281

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Дюбуа, Дж., Элисон, М., Коунсел, С., Люси, Х.-П., Хюппи, П.С., и Бендерс, М. (2020). МРТ головного мозга новорожденных: обзор методологических проблем и достижений нейробиологии. Дж. Магн. Резон. Визуализация 53, 1318–1343. doi: 10.1002/jmri.27192

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Дюбуа, Дж., Лефевр, Дж., Энглис, Х., Лерой, Ф., Фишер, К., Лебенберг, Дж., и соавт. (2019). Динамика корковых волн складчатости и отклонений, связанных с недоношенностью, выявляемая с помощью пространственного и спектрального анализа гирификации. НейроИзображение 185, 934–946. doi: 10.1016/j.neuroimage.2018.03.005

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Фиат, Д. (2001). Способ усиления сигнала МРТ . Патент США 6 294 914.

Академия Google

Голипур, А., Афакан О., Агандж И., Шеррер Б., Прабху С.П., Шахин М. и Варфилд С.К. (2015). Реконструкция сверхвысокого разрешения в области частот, изображений и вейвлетов для уменьшения частичного объема в сквозной плоскости при МРТ. Мед. Физ . 42, 6919–6932. дои: 10.1118/1.4935149

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Голипур А., Эстрофф Дж. А., Шахин М., Прабху С. П. и Варфилд С. К. (2010a). «Максимальная апостериорная оценка изотропной объемной МРТ высокого разрешения на основе ортогональных толстых срезов», в Вычисление медицинских изображений и компьютерное вмешательство (MICCAI) (Берлин; Гейдельберг: Springer), 109–116.дои: 10.1007/978-3-642-15745-5_14

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Голипур, А., Эстрофф, Дж. А., и Уорфилд, С. К. (2010b). Надежная объемная реконструкция сверхвысокого разрешения на основе полученных срезов: приложение к МРТ головного мозга плода. IEEE Trans. Мед. Изображение 29, 1739–1758 гг. doi: 10.1109/TMI.2010.2051680

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Джампьетри М., Барталена Л., Гузетта А., Болдрини А. и Гирри, П. (2015). Новые методики в изучении развития головного мозга у новорожденных. Фронт. Гум. Нейроски . 8:1069. doi: 10.3389/fnhum.2014.01069

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Гринспен, Х., Оз, Г., Кирьяти, Н., и Пелед, С. (2002). Межсрезовая реконструкция МРТ с использованием сверхвысокого разрешения. Маг. Резон. Визуализация 20, 437–446. doi: 10.1016/S0730-725X(02)00511-8

Полнотекстовая перекрестная ссылка | Академия Google

Грисволд, М.A., Jakob P.M., Heidemann R.M., Nittka M., Jellus V., Wang J. и соавт. (2002). Обобщенная автокалибровка частично параллельных сборов данных (GRAPPA). Маг. Резон. Мед . 47, 1202–1210. doi: 10.1002/mrm.10171

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Haebich, K.M., Willmott, C., Scratch, S., Pascoe, L., Lee, K., Spencer-Smith, M.M., et al. (2019). Неонатальные аномалии головного мозга и объемы головного мозга, связанные с результатами постановки целей у очень недоношенных 13-летних детей. Визуализация мозга Поведение . 14, 1062–1073. doi: 10.1007/s11682-019-00039-1

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Хансен, М.С., и Келлман, П. (2015). Реконструкция изображения: обзор для клиницистов. Дж. Магн. Резон. Визуализация 41, 573–585. doi: 10.1002/jmri.24687

Полнотекстовая перекрестная ссылка | Академия Google

Индер, Т., Хуппи, П., Уорфилд, С., Кикинис, Р., Зентара, Г., Барнс, П., и соавт. (1999). Перивентрикулярное повреждение белого вещества у недоношенных детей сопровождается уменьшением объема серого вещества коры головного мозга в срок. Энн. Нейрол . 46, 755–760. doi: 10.1002/1531-8249(199911)46:5<755::AID-ANA11>3.0.CO;2-0

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Цзян С., Сюэ Х., Гловер А., Резерфорд М., Рюкерт Д. и Хайнал Дж. (2007). МРТ движущихся объектов с использованием мультисрезовых снимков с объемной реконструкцией (SVR): приложение к исследованиям мозга плода, новорожденного и взрослого человека. IEEE Trans. Мед. Визуализация 26, 967–980. doi: 10.1109/TMI.2007.895456

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Кайнц, Б., Steinberger, M., Wein, W., Murgasova, M., Malamateniou, C., Keraudren, K., et al. (2015). Быстрая реконструкция объема из поврежденных движением стеков 2D-срезов. IEEE Trans. Мед. Изображение 34, 1901–1913 гг. doi: 10.1109/TMI.2015.2415453

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Кидокоро Х., Андерсон П., Дойл Л., Вудворд Л., Нил Дж. и Индер Т. (2014). Черепно-мозговая травма и измененный рост головного мозга у недоношенных детей: предикторы и прогноз. Педиатрия 134, e444–e453.doi: 10.1542/пед.2013-2336

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Кидокоро, Х., Нил, Дж., и Индер, Т. (2013). Новый инструмент оценки МРТ для определения аномалий головного мозга у глубоко недоношенных новорожденных в срок. утра. Дж. Нейрорадиол . 34, 2208–2214. doi: 10.3174/ajnr.A3521

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Лейдлоу, Д., Флейшер, К., и Барр, А. Х. (1998). Байесовская классификация смесей материалов в объемных данных МРТ с использованием воксельных гистограмм. IEEE Trans. Мед. Визуализация 17, 74–86. дои: 10.1109/42.668696

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Люсебринк Ф., Скиарра А., Маттерн Х., Якупов Р. и Спек О. (2017). T1-взвешенный in vivo набор данных МРТ всего головного мозга человека со сверхвысоким изотропным разрешением 250 мкм. Науч. Данные 4:170032. doi: 10.1038/sdata.2017.62

Полнотекстовая перекрестная ссылка | Академия Google

Макропулос А., Робинсон Э., Шу, А., Райт, Р., Фитцгиббон, С., Бозек, Дж., и соавт. (2018). Разрабатываемый проект коннектома человека: минимальный технологический конвейер для реконструкции поверхности коры головного мозга новорожденных. Нейроизображение 173, 88–112. doi: 10.1016/j.neuroimage.2018.01.054

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Манхон, Дж. В., Купе, П., Буадес, А., Фонов, В. С., Коллинз, Д. Л., и Роблес, М. (2010). Нелокальная апсемплинг МРТ. Мед. Изображение Анал . 14, 784–792.doi: 10.1016/j.media.2010.05.010

Полнотекстовая перекрестная ссылка | Академия Google

МакГилл, Р., Тьюки, Дж. В., и Ларсен, В. А. (1978). Вариации боксплота. утра. Стат . 32, 12–16. дои: 10.1080/00031305.1978.10479236

Полнотекстовая перекрестная ссылка | Академия Google

Mongerson, C.R.L., Wilcox, S.L., Goins, S.M., Pier, D., Zurakowski, D., Jennings, R.W., et al. (2019). Структурный МРТ-анализ головного мозга младенцев в контексте торакальной внесердечной хирургии и интенсивной терапии. Фронт. Педиатр . 7:315. doi: 10.3389/fped.2019.00315

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Мургасова М., Куагебер Г., Резерфорд М., Хайнал Дж. и Шнабель Дж. А. (2012). Реконструкция МРТ головного мозга плода с согласованием интенсивности и полным удалением выбросов. Мед. Изображение Анал . 16, 1550–1564. doi: 10.1016/j.media.2012.07.004

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Нарусэ, С., Horikawa, Y., Tanaka, C., Hirakawa, K., Nishikawa, H. и Yoshizaki, K. (1986). Значение измерения времени релаксации протонов при отеке головного мозга, инфаркте мозга и опухолях головного мозга. Маг. Резон. Визуализация 4, 293–304. дои: 10.1016/0730-725X(86)

-8

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Пелед, С., и Йешурун, Ю. (2002). Сверхразрешение на МРТ — возможно, иногда. Маг. Резон. Мед . 48:409. doi: 10.1002/mrm.10237

Полнотекстовая перекрестная ссылка | Академия Google

Пленге, Э., Poot, D.H.J., Bernsen, M., Kotek, G., Houston, G., Wielopolski, P., et al. (2012). Методы сверхвысокого разрешения в МРТ: могут ли они улучшить компромисс между разрешением, отношением сигнал/шум и временем сбора данных? Маг. Резон. Мед . 68, 1983–1993 гг. doi: 10.1002/mrm.24187

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Пут, Д., Ван Меир, В., и Сейберс, Дж. (2010). «Общий и эффективный метод сверхвысокого разрешения для многосрезовой МРТ», в Вычисление медицинских изображений и компьютерное вмешательство (MICCAI) (Пекин).дои: 10.1007/978-3-642-15705-9_75

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Pruessmann, K.P., Weiger, M., Scheidegger, M.B., and Boesiger, P. (1999). SENSE: кодирование чувствительности для быстрой МРТ. Маг. Резон. Мед . 42, 952–962. doi: 10.1002/(SICI)1522-2594(199911)42:5<952::AID-MRM16>3.0.CO;2-S

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Руссо Ф., Гленн О., Иорданова Б., Родригес-Карранса К., Vigneron, D., Barkovich, A., et al. (2005). Новый подход к МРТ головного мозга плода с высоким разрешением. Мед. Вычисление изображения. вычисл. Ассистент Интервью . 8 (ч. 1), 548–555. дои: 10.1007/11566465_68

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Руссо, Ф., Ким, К., Студхольм, К., Кооб, М., и Дитеманн, Дж. (2010). О сверхразрешении для МРТ головного мозга плода. Мед. Вычисление изображения. вычисл. Ассистент Интервью . 13 (ч. 2), 355–362. дои: 10.1007/978-3-642-15745-5_44

Полнотекстовая перекрестная ссылка | Академия Google

Шеррер, Б., Афакан О., Такет М., Прабху С.П., Голипур А. и Варфилд С.К. (2015). «Ускоренная диффузионно-взвешенная визуализация с высоким пространственным разрешением», Международная конференция по обработке информации в медицинской визуализации (IPMI) (Скай). дои: 10.1007/978-3-319-19992-4_6

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Шеррер, Б., Голипур, А., и Уорфилд, С.К. (2012). Реконструкция со сверхвысоким разрешением для увеличения пространственного разрешения диффузионно-взвешенных изображений из ортогональных анизотропных снимков. Мед. Изображение Анал . 16, 1465–1476. doi: 10.1016/j.media.2012.05.003

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Ши Ф., Ченг Дж., Ван Л., Яп П. и Шен Д. (2015). LRTV: МР-изображение сверхвысокого разрешения с регуляризацией низкого ранга и полной вариации. IEEE Trans. Мед. Визуализация 34, 2459–2466. doi: 10.1109/TMI.2015.2437894

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Шиллинг, Р. З., Робби, Т.Q., Bailleul, T., Mewes, K., Mersereau, R.M., и Brummer, ME (2009). Платформа сверхвысокого разрешения для получения трехмерных изображений с высоким разрешением и высокой контрастностью с использованием двухмерной многослойной МРТ. IEEE Trans. Мед. Визуализация 28, 633–644. doi: 10.1109/TMI.2008.2007348

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Суй Ю., Афакан О., Голипур А. и Уорфилд С. К. (2019). «Изотропная МРТ-реконструкция сверхвысокого разрешения с многомасштабным градиентным полем до», в Вычисление медицинских изображений и компьютерное вмешательство (MICCAI) (Шэньчжэнь).дои: 10.1007/978-3-030-32248-9_1

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Суи, Ю., Афакан, О., Голипур, А., и Уорфилд, С. К. (2020). «Изучение управления градиентом для пространственно-изотропной реконструкции МРТ со сверхвысоким разрешением», в «Вычисление медицинских изображений и компьютерное вмешательство» (MICCAI), Vol. 11766 (Лима), 3–11. дои: 10.1007/978-3-030-59713-9_14

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Томпсон, Д., Warfield, S., Carlin, J., Pavlović, M., Wang, H., Bear, M.J., et al. (2007). Перинатальные факторы риска, изменяющие региональную структуру головного мозга у недоношенных детей. Мозг 130 (часть 3), 667–677. doi: 10.1093/brain/awl277

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Тортора Д., Северино М., Биасе С. Д., Малова М., Пароди А., Мингетти Д. и соавт. (2019). Раннее воздействие боли влияет на функциональные связи головного мозга у очень недоношенных новорожденных. Фронт.Нейроски . 13:899. doi: 10.3389/fnins.2019.00899

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Турбье, С., Брессон, X., Хагманн, П., Тиран, Дж., Меули, Р., и Куадра, М. (2015). Эффективный алгоритм полной вариации для сверхвысокого разрешения МРТ головного мозга плода с адаптивной регуляризацией. Нейроизображение 118, 584–597. doi: 10.1016/j.neuroimage.2015.06.018

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Труйен, Л., van Waesberghe, JHV, van Walderveen, M.V., van Oosten, B., Polman, C., Hommes, O., et al. (1996). Накопление гипоинтенсивных очагов («черных дыр») на МРТ спин-эхо t1 коррелирует с прогрессированием заболевания при рассеянном склерозе. Неврология 47, 1469–1476. дои: 10.1212/WNL.47.6.1469

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Цай Р. и Хуанг Т. (1984). «Восстановление и регистрация многокадровых изображений», в Advances in Computer Vision and Image Processing .

Академия Google

Van Reeth, E., Tham, I.W., Tan, C.H., и Poh, C.L. (2012). Сверхразрешение в магнитно-резонансной томографии: обзор. Концепты Magn. Резон . 40, 306–325. doi: 10.1002/cmr.a.21249

Полнотекстовая перекрестная ссылка | Академия Google

Ван Дж., Чен Ю., Ву Ю., Ши Дж. и Джи Дж. (2020). «Расширенная генеративно-состязательная сеть для сверхвысокого разрешения трехмерной МРТ головного мозга», в Зимняя конференция IEEE по приложениям компьютерного зрения (Аспен, Колорадо), 3627–3636.дои: 10.1109/WACV45572.2020.

03

Полнотекстовая перекрестная ссылка | Академия Google

Ван, З., Бовик, А.С., Шейх, Х.Р., и Симончелли, Е.П. (2004). Оценка качества изображения: от измерения ошибки до структурного подобия. IEEE Trans. Процесс изображения . 13, 600–612. doi: 10.1109/TIP.2003.819861

Полнотекстовая перекрестная ссылка | Академия Google

Сюэ, X., Ван, Ю., Ли, Дж., Цзяо, Z., Жэнь, Z., и Гао, X. (2020). Сеть прогрессивного остаточного обучения поддиапазона для сверхвысокого разрешения МР-изображений. IEEE J. Biomed. Информировать о здоровье . 24, 377–386. doi: 10.1109/JBHI.2019.2945373

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Чжао, X., Чжан, Ю., Чжан, Т., и Цзоу, X. (2019). Сеть разделения каналов для одиночного МР-изображения сверхвысокого разрешения. IEEE Trans. Процесс изображения . 28, 5649–5662. doi: 10.1109/TIP.2019.22

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Глубокая стимуляция мозга с переменной и постоянной частотой у пациентов с прогрессирующей болезнью Паркинсона: протокол исследования для рандомизированного контролируемого исследования | Исследования

Дизайн исследования

Исследование RESTEP (ClinicalTrials.gov, NCT03053726) — это двойное слепое рандомизированное многоцентровое исследование, предназначенное для оценки безопасности и эффективности лечения STN-VFS у участников с прогрессирующей БП. Согласно блок-схеме испытания (рис. 1), участники с прогрессирующей болезнью Паркинсона, ранее перенесшие DBS, будут подвергаться скринингу на основе строгих критериев включения и исключения. В общей сложности будет запланировано пять последующих обследований, как показано в таблице 1. После набора генераторы импульсов, ранее имплантированные всем участникам, будут заменены с генераторов с одним режимом (только CFS) на генераторы, способные к двухрежимной стимуляции. (КФС или ВФС).После этого обновления участники будут случайным образом и поровну разделены на две группы: группу CFS и группу VFS. После 3 месяцев стимуляции в слепых условиях все участники получат VFS и последующие оценки в течение 6 месяцев. Структура протокола основана на рекомендациях Сводных стандартов отчетности об испытаниях и Стандартных пунктах протокола: Рекомендации для интервенционных испытаний (SPIRIT) (см. Дополнительный файл 1), и результаты исследования также будут сообщаться в соответствии с этими рекомендациями.Информированное согласие будет получено от всех участников в соответствии с политикой правления.

Рис. 1

Блок-схема испытания RESTEP

Таблица 1 Подробное расписание исследования RESTEP

Испытуемая группа

Исследование будет проводиться примерно в 11 центрах. К ним относятся Пекинская больница Тяньтань, Первая дочерняя больница Даляньского медицинского университета, Нанкинский мозговой госпиталь, Госпиталь Танду (Четвертый военно-медицинский университет Китайской Народно-освободительной армии), Госпиталь Цилу, Госпиталь Пекинского союзного медицинского колледжа, Госпиталь общего профиля Китайской Народно-освободительной армии, Второй народный госпиталь Шэньчжэнь, Чанхайская больница в Шанхае, больница Хуашань и больница сэра Ран Шоу (связанная с Медицинской школой Чжэцзянского университета).Другим больницам будет предложено присоединиться к исследованию в соответствии с интересом, осуществимостью и ресурсами. Клинические исследователи из каждого центра будут нести ответственность за скрининг подходящих участников.

Популяция пациентов и набор

Мы планируем зарегистрировать в общей сложности 106 участников в возрасте старше 18 лет. Перспективная когорта будет включать пациентов с болезнью Паркинсона, получивших лечение STN-DBS и имплантированных генераторов импульсов, совместимых с VFS (PINS Medical).

Критерии включения

Критерии включения следующие:

1. 1.

   пациентов с идиопатическим PD

2. 2.

   в возрасте ≥18 лет в любом полосе

3. 3.

   пациентов, которые уже претерпели дб и в настоящее время имеют имплантированный стимулятор STN-DBS

4. 4.

   Оценка по краткому обследованию психического состояния ≥24

5. 5.

   Оценка по Хен-Яру ≥2,0 при СХУ в состоянии «отмены лекарств»

6. 6.

   Оценка ≥1 по Унифицированной шкале оценки болезни Паркинсона II (UPDRS-II) из 14 пунктов

7. 7.

   Оценка ≥2 по шкале UPDRS-II из 15 пунктов

8. 8.

   Способность ходить ≥ 10  м независимо при приеме CFS в состоянии «отмены лекарств»

Критерии исключения

Критерии исключения следующие:

1. 1.

   Беременные женщины, кормящие матери или женщины, которые не в состоянии принять эффективные меры по предотвращению беременности

2. 2.

   Наличие других заболеваний, которые могут повлиять на дистанцию ​​ходьбы, таких как заболевания суставов в нижней части тела, заболевания позвоночника, нейропатии или серьезные заболевания сердца или легких

3. 3.

   Серьезные состояния здоровья, такие как опухоли, заболевания печени или почек, и

4. 4.

   Эпилепсия или другие судорожные расстройства

5. 5.

   Психические расстройства или деменция

6. 6.

   Неспособность понять протокол эксперимента или добровольно дать информированное согласие

7. 4 7.

   Отсутствие сотрудничества с требованиями последующего наблюдения

8. 8.

   Дополнительные причины исключения по усмотрению клинического исследователя

Набор участников

Участники будут набираться путем размещения рекламы в социальных сетях и постеров в клиниках и непосредственно в участвующих центрах. Информация о найме в основном включает критерии приемлемости и контактные данные. Хорошо обученный исследователь в каждом участвующем центре будет нести ответственность за скрининг всех потенциально подходящих пациентов на основе критериев приемлемости и получения информированного согласия.

Вмешательства

Стимуляция с постоянной частотой

Для проведения СХУ врач устанавливает электрическую стимуляцию на постоянную частоту, программируя параметры частоты стимуляции (т. е. ширину и амплитуду импульса). Участники получают STN-DBS с одночастотной, одинарной шириной импульса и одноамплитудной стимуляцией.

Стимуляция с переменной частотой

Параметры VFS будут выбраны на основе предыдущих выводов о взаимосвязи между частотой стимуляции и регуляцией ритма движений у человека.Частота стимуляции будет чередоваться между высокими и низкими частотами.

Сопутствующие вмешательства

Участникам будет разрешено продолжать прием препаратов до суда. Использование всех наркотиков, если таковые имеются, будет задокументировано в форме истории болезни (CRF).

Рандомизация и ослепление

Подходящие участники будут случайным образом распределены в одну из двух групп (группа CFS или группа VFS) после завершения базовых измерений. Последовательность присвоения 1:1 (на основе сгенерированных компьютером случайных чисел) будет произведена Институтом клинических исследований Пекинского университета.Сгенерированные компьютером случайные числа будут использоваться для создания номеров участников и списков заказов, которые будут помещены в непрозрачные запечатанные конверты и отправлены в исследовательские центры. Клерк-исследователь будет хранить копии списков заказов и номеров участников.

На протяжении всего исследования, за исключением программиста исследования, все участники и исследовательский персонал (включая исследователей, инструкторов и статистиков) не будут осведомлены о распределении лечения. Оценку результатов будут проводить независимые оценщики, у которых нет терапевтических отношений с участниками и которые слепы к условиям лечения.Независимыми оценщиками будут клинические неврологи, прошедшие дополнительную подготовку по использованию оценок исходов, имевшие возможность прослушать проведенные оценки и получить прямую обратную связь относительно своих оценок от руководителей. Кроме того, Совет по мониторингу данных и безопасности (DSMB) проверит случайный выбор 20% зарегистрированных оценок. Потеря ослепления может произойти из-за величины терапевтического эффекта или любого другого субъективного восприятия, которое указывает на то, что VFS или CFS доставлены.

Исходы испытаний

Первичные клинические исходы

Первичным исходом будут баллы по задачам стоя-ходьба-сидеть (SWS) через 3 месяца по сравнению с исходными баллами. Областью оценки SWS является походка. В исследовании будут сравниваться средние баллы в каждой группе между 3-мя месяцами и исходным уровнем, используя средние баллы в каждой группе. SWS-тест — это простой и быстрый тест на функциональную подвижность, который требует от человека встать, пройти 5 м, повернуться, пройти назад и сесть. Время, необходимое для завершения теста, сильно коррелирует с уровнем функциональной мобильности.Этот тест будет записан на видео и оценен двумя ослепленными неврологами.

Вторичные клинические исходы

В качестве вторичных исходов мы будем использовать опросник «Замирание походки», опросник «Походка и падения» и опросник качества жизни при болезни Паркинсона, а также общие баллы UPDRS и UPDRS-III для оценки тяжести симптомов БП на уровне 3 и 6 месяцев по сравнению с исходным уровнем. Эти опросники оценивают физиологические симптомы и эмоциональную функцию у пациентов с БП. Участникам обеих экспериментальных групп будет предложено заполнить эти анкеты на исходном уровне и после лечения, а экспериментальной группе также будет предложено заполнить данные через 3 месяца и 6 месяцев после лечения.В исследовании будут сравниваться средние баллы изменения по сравнению с исходным уровнем в каждый момент времени, используя средние баллы для каждой группы.

Аспекты безопасности

Нежелательные явления

Нежелательное явление (НЯ) может включать аномальные лабораторные данные, симптом или заболевание, временно связанные с введением исследуемого продукта, независимо от того, связано ли оно с этим исследуемым продуктом. В настоящем исследовании неожиданным НЯ является все, что не указано по характеру, тяжести или частоте в Брошюре исследователя.Во время рутинных оценок исследователь опрашивает участников о возникновении НЯ и записывает информацию в первичные документы и ИРК пациента.

Серьезные нежелательные явления

Серьезное нежелательное явление (СНЯ) — это событие, которое приводит к смерти, опасному для жизни нежелательному событию, госпитализации или продлению существующей госпитализации, стойкой или значительной инвалидности/недееспособности или врожденной аномалии/врожденному дефекту . Другие важные медицинские события также могут считаться СНЯ, когда на основании соответствующего медицинского заключения они подвергают опасности участника или требуют вмешательства для предотвращения одного из перечисленных исходов.

Если нежелательные явления возникают на протяжении всего клинического исследования, исследователи могут принять необходимые меры в зависимости от состояния участника. В зависимости от тяжести НЯ исследователи могут выбрать госпитализацию, амбулаторное лечение, визиты на дом, общение или другие методы наблюдения.

Совет по мониторингу данных и безопасности

DSMB рассмотрит безопасность, этику и результаты исследования. Он независим от спонсора и не имеет конкурирующих интересов. Члены DSMB будут отслеживать данные слепой оценки на предмет SAE или потенциального вредного воздействия.Устав, в котором будут изложены обязанности членов, процедуры и конфиденциальность, будет управлять DSMB. DSMB также через регулярные промежутки времени будет анализировать неслепые данные в течение периода наблюдения и будет отслеживать неврологические и функциональные различия между двумя группами, а также частоту отсева и событий. Кроме того, члены DSMB также будут осуществлять надзор за ходом испытаний, например, за статусом найма и участием сайтов.

Качество данных и управление

Сбор данных будет ограничен теми, кто соответствует критериям приемлемости.Данные участников, выбывших из исследования по какой-либо причине, будут зарегистрированы в их медицинских картах и ​​проанализированы наблюдателем за исследованием.

Сбор данных и мониторинг

ИРК должны выполняться в соответствии с графиком. Обо всех СНЯ, возникающих в течение периода наблюдения, необходимо сообщать медицинскому эксперту, наблюдающему за расследованием (медицинскому директору Beijing PINS Medical Co., Ltd). Исследователи несут ответственность за всю информацию, собранную об участниках, включенных в это исследование.Исследователи и спонсор будут проводить регулярное телефонное или домашнее наблюдение за пациентами.

Система мониторинга обеспечит качество оценок. Данные будут внесены в проверенную базу данных. Группа управления данными будет нести ответственность за обработку данных в соответствии с процедурной документацией. База данных будет заблокирована после завершения процедур обеспечения качества.

Прекращение участия в исследовании

В случае угрозы личной безопасности, несоблюдения или отзыва информированного согласия участник будет немедленно исключен из исследования.Кроме того, участники будут исключены из исследования при следующих условиях: 1) родители участника требуют выхода; и 2) у участника развивается сердечная недостаточность, дыхательная недостаточность или другое серьезное заболевание. DSMB может прекратить исследование при следующих условиях: 1) СНЯ возникли во время исследования; 2) следователь определил, что исследование должно быть прекращено; и 3) Комитет по этике требует увольнения.

Обработка отсутствующих данных

Все переменные, включенные в CRF, являются обязательными.Для обработки отсутствующих данных будет использоваться метод переноса последнего посещения.

Аудит данных

Это испытание будет проверено Комитетом по этике исследований и Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов Китая. Аудиты будут проводиться, когда зарегистрируется первый участник и когда будет завершена половина или все зарегистрированные дела.

Статистические соображения

Размер выборки

Размер выборки был рассчитан на основе первичного критерия результата в соответствии с результатами нашего экспериментального исследования.Мощность была установлена ​​на уровне 80% и рассчитана на основе двусторонних 95% доверительных интервалов. В наших экспериментальных данных мы обнаружили разницу в симптомах БП после лечения не менее 20% между группами VFS и CFS для баллов SWS. Мы предполагаем, что эффект плацебо может объяснить около 10% таких различий. Мы предполагаем, что 10% участников испытания вымрут из-за истощения. Таким образом, 53 участника должны быть распределены в каждую группу лечения, чтобы установить разницу между методами лечения на уровне 5% при значении мощности 90%.

Анализ данных

Все оценки эффективности и безопасности будут проводиться в соответствии с принципом намерения лечить. Окончательные данные будут проанализированы с использованием IBM SPSS 13.0 или выше (SPSS, Inc., Чикаго, Иллинойс, США) и SAS 9.4 или выше (SAS Institute Inc., Кэри, Северная Каролина, США). Значение p <0,05 будет считаться статистически значимым. Данные будут проанализированы с помощью t тестов и χ ² тестов для непрерывных переменных и категориальных переменных соответственно.

Конфиденциальность

При участии в исследованиях всегда существует риск конфиденциальности информации. Вся информация, собранная в ходе настоящего исследования, будет храниться в защищенной базе данных. Все участники предоставят письменное информированное согласие до того, как их оценят на предмет права на включение в какую-либо часть исследования. Будут приняты все меры предосторожности для соблюдения конфиденциальности участников при проведении исследования. Информация будет храниться на защищенном паролем сервере с доступом только для членов исследовательской группы.В ходе мониторинга качества данных и соблюдения протокола исследования наблюдатели будут обращаться к медицинским записям в участвующих больницах. Вся информация об отдельных лицах и объектах будет деидентифицирована при представлении данных и результатов для защиты конфиденциальности участников.

Оценка дифференциальных графических моделей со скрытыми переменными с приложениями к мозговым связям | Биометрика

Получить помощь с доступом

Институциональный доступ

Доступ к контенту с ограниченным доступом в Oxford Academic часто предоставляется посредством институциональных подписок и покупок.Если вы являетесь членом учреждения с активной учетной записью, вы можете получить доступ к контенту следующими способами:

Доступ на основе IP

Как правило, доступ предоставляется через институциональную сеть к диапазону IP-адресов. Эта аутентификация происходит автоматически,
и невозможно выйти из учетной записи с проверкой подлинности IP.

Войдите через свое учреждение

Выберите этот вариант, чтобы получить удаленный доступ за пределами вашего учреждения.

Технология Shibboleth/Open Athens используется для обеспечения единого входа между веб-сайтом вашего учебного заведения и Oxford Academic.

1. Щелкните Войти через свое учреждение.
2. Выберите свое учреждение из предоставленного списка, после чего вы перейдете на веб-сайт вашего учреждения для входа.
3. Находясь на сайте учреждения, используйте учетные данные, предоставленные вашим учреждением.Не используйте личную учетную запись Oxford Academic.
4. После успешного входа вы вернетесь в Oxford Academic.

Если вашего учреждения нет в списке или вы не можете войти на веб-сайт своего учреждения, обратитесь к своему библиотекарю или администратору.

Вход с помощью читательского билета

Введите номер своего читательского билета, чтобы войти в систему. Если вы не можете войти в систему, обратитесь к своему библиотекарю.

Члены общества

Многие общества предлагают своим членам доступ к своим журналам с помощью единого входа между веб-сайтом общества и Oxford Academic. Из журнала Oxford Academic:

1. Щелкните Войти через сайт сообщества.
2. Находясь на сайте общества, используйте учетные данные, предоставленные этим обществом. Не используйте личную учетную запись Oxford Academic.
3. После успешного входа вы вернетесь в Oxford Academic.

Если у вас нет учетной записи сообщества или вы забыли свое имя пользователя или пароль, обратитесь в свое общество.

Некоторые общества используют личные аккаунты Oxford Academic для своих членов.

Личный кабинет

Личную учетную запись можно использовать для получения оповещений по электронной почте, сохранения результатов поиска, покупки контента и активации подписок.

Некоторые общества используют личные учетные записи Oxford Academic для предоставления доступа своим членам.

Институциональная администрация

Для библиотекарей и администраторов ваша личная учетная запись также предоставляет доступ к управлению институциональной учетной записью.
Здесь вы найдете параметры для просмотра и активации подписок, управления институциональными настройками и параметрами доступа, доступа к статистике использования и т. д.

Просмотр ваших зарегистрированных учетных записей

Вы можете одновременно войти в свою личную учетную запись и учетную запись своего учреждения.Щелкните значок учетной записи в левом верхнем углу, чтобы просмотреть учетные записи, в которые вы вошли, и получить доступ к функциям управления учетной записью.

Выполнен вход, но нет доступа к содержимому

Oxford Academic предлагает широкий ассортимент продукции. Подписка учреждения может не распространяться на контент, к которому вы пытаетесь получить доступ.
Если вы считаете, что у вас должен быть доступ к этому контенту, обратитесь к своему библиотекарю.

проектов CoDesign (в архиве)

Проект совместной разработки 4 —
Зрительно-моторная интеграция

Этот CDP направлен на разработку модели нейронной сети зрительно-моторной интеграции на основе многоуровневых данных нейробиологии человека.

CDP4 направлен на разработку и внедрение мультимодальных, нейробиологически реалистичных нисходящих моделей зрительно-моторной интеграции, которые реализуются как работающие нейронные сети, выполняющие расширенное распознавание объектов и пространственную локализацию объектов для управления моторным управлением роботов. Из-за своей центральной роли проект в первую очередь сосредоточился на контроле движения глаз, включая моделирование задач визуального внимания для действия, которые необходимы для получения спецификаций параметров для двигательного выполнения.CDP4 объединяет текущую работу в SP2 и SP3 о реалистичных моделях распознавания инвариантных объектов и роли выбора внимания как для распознавания объектов (вентральный поток обработки), так и для планирования моторики (дорсальный поток обработки). Эмпирически ограниченные модели реализованы как модели нейронных сетей NEST в сотрудничестве с SP4, SP6 и SP7. Модели нейронных сетей реализованы в NRP в сотрудничестве с SP10.

Зрительно-моторная архитектура будет расширена от управления движением глаз до задач достижения и захвата, что позволит общей сетевой модели NEST управлять движениями рук и глаз (виртуального и реального) робота в замкнутой системе, способной выполнять нетривиальные целенаправленное поведение.Кроме того, архитектура зрительно-моторной интеграции будет использоваться для моделирования одностороннего пространственного игнорирования, возникающего в результате правополушарного инсульта в (преимущественно) теменной коре. Помимо прогнозирования поведенческих эффектов игнорирования в различных местах поражения из бегущей модели, CDP4 направлен на моделирование также эффектов лечения ТМС, которые в настоящее время оцениваются как средство для модуляции баланса между ипси- и контралатеральным полушарием в областях мозга, лежащих в основе функций значимости и пространственного внимания.

Научный руководитель CDP: Райнер ГЁБЕЛЬ

Руководитель реализации CDP: Саша ВАН АЛЬБЕДА

Совместный проект 5

Проект совместной разработки 5 —
Биологическое глубокое обучение

Этот CDP направлен на перевод принципов и алгоритмов биологического обучения в крупномасштабные нейронные модели, моделирующие и реализующие сложное, многоуровневое обучение и связанные формы познания, работающие на платформах моделирования SP 6, 7, 9, 10.

Глубокое обучение представляет собой новаторский прогресс в области искусственного интеллекта, качественно изменивший возможности вычислительных устройств по обработке данных. Однако остается неясным, как мозг мог реализовать этот тип обучения и нашел ли мозг с его более сложными нейронами и сигнальными механизмами еще лучшие формы реализации разумного поведения.

Биологические формы глубокого обучения и связанные с ними алгоритмы изучаются в различных подпроектах HBP.В то же время программное обеспечение нейронного моделирования и нейроморфное оборудование, разработанное в HBP, предлагают высокопроизводительные субстраты для реализации такой интеллектуальной обработки с точки зрения как размера, так и скорости. CDP5 объединяет эти разработки, связывая познание (SP3) и теорию (SP4) с проектированием и реализацией платформы (SP6, 7, 9, 10). Цель состоит в том, чтобы создать примеры мозгоподобных интеллектуальных вычислений на оборудовании, которые значительно выходят за рамки воспроизведения мозгоподобной динамики активности.Таким образом, вместе с CDP4 (который фокусируется на зрительно-моторных преобразованиях) CDP5 добавляет функциональную перспективу к структурам данных, моделям и платформам, разработанным в HBP.

CDP Научный руководитель: Михай ПЕТРОВИЧ

Руководитель реализации CDP: Уолтер СЕНН

Совместный проект 6

Проект совместной разработки 6 —
Моделирование открытия лекарств

Целью этого CDP является разработка новых стратегий более эффективного медикаментозного лечения основных заболеваний головного мозга, таких как болезнь Альцгеймера, шизофрения, эпилепсия, болезнь Паркинсона, глиобластома и редких заболеваний, с использованием вычислительных моделей.

Инновационные нейромедицинские подходы требуют детального понимания молекулярной и системной организации человеческого мозга, причин и механизмов заболеваний, их прогрессирования и реакции на лечение. Из-за высокого уровня сложности нервной системы и межсубъектной изменчивости молекулярной организации мозга, поведения и заболеваний решение этих проблем при любой невропатологии представляется сложной задачей. Действительно, для большинства нейродегенеративных заболеваний, таких как болезнь Альцгеймера и болезнь Паркинсона, в настоящее время нет лекарства, несмотря на очень большие инвестиции со стороны научных кругов и промышленности.Таким образом, открытие новых лекарств от болезней головного мозга рассматривается как этический приоритет текущих исследований в области неврологии.

Классические нейроактивные препараты были разработаны на основе их сходства-изостерической конкурентоспособности с соединениями природного происхождения. Парадигма аллостерического взаимодействия, напротив, обеспечивает различие между ортостерическими лигандами (связывающимися с участками эндогенных нейротрансмиттеров в качестве агонистов или антагонистов) и лигандами, которые опосредуют свои эффекты, взаимодействуя в топографически различных аллостерических участках рецептора.Молекулярное моделирование в сочетании с экспериментальной характеристикой приведет к открытию эффективных аллостерических модуляторов и поможет разработать новые лекарства с повышенной селективностью и уменьшенными побочными эффектами.

CDP6 преследует следующую цель: разработать новые аллостерические лиганды для возможного применения в диагностических и терапевтических целях. CDP6 сосредоточится на разработке инструментов молекулярного моделирования для нацеливания на аллостерические сайты в фармацевтически значимых классах биомолекул, участвующих в невропатологиях.Библиотеки молекул-кандидатов будут предоставлены для экспериментальных испытаний в рамках SP2 и SP8. Выбранные тестовые примеры включают: лиганд- и потенциалзависимые ионные каналы, рецепторы, связанные с G-белком, и PI3K.

Научный руководитель CDP: Жан-Пьер ЧАНЖЕ

Руководители внедрения CDP: Паоло КАРЛОНИ и Зои КУРНИА

Совместный проект 7

Проект совместного проектирования 7 –
Иерархическое планирование во время навигации

Этот CDP направлен на разработку нейробиологически реалистичных моделей иерархического навигационного планирования у людей и грызунов.Он включает в себя экспериментальный поток и вычислительный поток. Экспериментальный поток будет производить новые данные о грызунах и людях, собранные с использованием эталонных парадигм для иерархического планирования в ИИ. Основные результаты экспериментального потока будут состоять из новых наборов данных, программного обеспечения и атласов с вкладом в подпроекты HBP SP1, SP2, SP3, SP5 и SP7. Вычислительный поток будет разрабатывать и реализовывать нейробиологически реалистичные модели иерархического навигационного планирования и интегрировать их в платформы HBP.Для этого мы будем использовать нисходящий подход к моделированию для перевода абстрактных вычислительных моделей иерархического планирования в нейронные сети и, в конечном счете, в воплощенные модели (роботов). Основные результаты вычислительного потока в SGA2 будут состоять из новых, биологически реалистичных вычислительных и роботизированных моделей иерархического планирования, которые внесут вклад в SP3, SP4, SP7, SP9 и SP10.

Области нейронауки и искусственного интеллекта (ИИ) имеют общую цель — понять, как люди и другие животные планируют в сложной природной среде.Этот CDP решает эту открытую проблему, начиная с теории о том, что во время навигации грызуны и люди планируют, используя иерархическую генеративную модель задачи и ее соответствующих состояний; и что эта модель совместно реализуется в схемах медиальной височной доли (MTL) и префронтальной коры (PFC). Этот CDP будет сочетать экспериментальные (SP2, SP3) и вычислительные (SP4, SP10) рабочие потоки для реализации нейронной реализации иерархических пространственных представлений и иерархического вывода, а также для разработки биологически реалистичных вычислительных и роботизированных моделей с эквивалентными способностями.Цель состоит в том, чтобы предоставить подробную вычислительную спецификацию расширенной когнитивной способности — иерархического планирования — и интегрировать ее в платформы HBP.

Научный руководитель CDP: Джованни Пеццуло

Руководитель реализации CDP: Хьюго СПИЕРС

Совместный проект 8

Проект совместной разработки 8 –
Виртуальный мозг (TVB)

Целью этого CDP является расширение существующих средств моделирования HBP, которые в настоящее время сосредоточены в основном на микроскопическом/мезоскопическом моделировании спайковых нейронов и сетей, путем добавления крупномасштабной (макроскопической) модели, реализованной в TVB.TVB использует параллельные реализации моделей нейронной массы и нейронной популяции среднего поля для эффективного моделирования всего мозга. CDP предоставит код и интерфейсы, которые основаны на существующей инфраструктуре, обеспечиваемой платформой моделирования мозга HBP (BSP, SP6), платформой нейроинформатики (NIP, SP5) и высокопроизводительной аналитической и вычислительной платформой (HPAC SP7). ). Еще одной целью является предоставление внешним пользователям конвейеров извлечения коннектомов и предварительно обработанных коннектомов, извлеченных из основных общедоступных репозиториев данных, а также учебных пособий, помогающих пользователям быстро ознакомиться с инструментами TVB.Наконец, функции подключения (например, плотность, направленность и ламинарные паттерны) будут получены для увеличения наборов данных человеческого мозга.

Инструменты, которые в настоящее время входят в состав платформы моделирования мозга HBP, в основном предназначены для микроскопического и мезоскопического моделирования нейронов и сетей с импульсами. Виртуальный мозг, с другой стороны, моделирует активность всего мозга на основе моделей «нейронной массы», которые обеспечивают сосредоточенное описание активности нейронных популяций, состоящих из тысяч нейронов.В этом CDP средства крупномасштабного моделирования TVB будут добавлены к кодовой базе HBP, чтобы предоставить программное обеспечение для параллельного высокопроизводительного многомасштабного моделирования мозга. Помимо функций моделирования, TVB включает в себя инструменты для предварительной обработки данных МРТ, извлечения структурных и функциональных коннектомов и постобработки результатов моделирования. Будет создан репозиторий, который предоставит внешним пользователям полностью предварительно обработанные структурные и функциональные коннектомы, извлеченные из основных баз данных, таких как Human Connectome Project и UK Biobank.Интерактивные учебные пособия предоставят пользователям необходимые знания для использования инструментов TVB. Многофакторный анализ и методы машинного обучения будут использоваться для получения характеристик связности на основе информации, извлеченной из литературы (например, обширных количественных цитоархитектонических данных о коре головного мозга человека, полученных фон Экономо и Коскинасом).

Научный руководитель CDP: Петра РИТТЕР

Руководитель реализации CDP: Клаус ХИЛГЕТАГ

обновлено в сентябре 2018 г.

типов опухолей головного мозга | Медицина Джона Хопкинса

Существует более 120 различных типов опухолей головного мозга, поражений и кист, которые различаются по месту возникновения и типам клеток, из которых состоят.Некоторые типы опухолей, как правило, доброкачественные (нераковые), тогда как другие, как правило, злокачественные (раковые). У других может быть 50/50 шанс быть раком.

Некоторые из перечисленных ниже типов опухолей могут возникать из костей или других типов тканей вне головного мозга и могут также называться «опухолями основания черепа». Однако из-за их близости к мозгу они могут влиять на структуры мозга, поэтому они включены в этот список.

Обычно доброкачественные опухоли головного мозга

Менингиома

Менингиома является наиболее распространенной первичной опухолью головного мозга, на ее долю приходится более 30% всех опухолей головного мозга.Менингиомы возникают в мозговых оболочках, трех внешних слоях ткани, которые покрывают и защищают мозг прямо под черепом. У женщин менингиомы диагностируются чаще, чем у мужчин. Около 85% менингиом являются доброкачественными, медленно растущими опухолями. Почти все менингиомы считаются доброкачественными, но некоторые менингиомы могут быть стойкими и возвращаться после лечения.

Аденома гипофиза

Аденома, тип опухоли, которая растет в тканях железы, является наиболее распространенным типом опухоли гипофиза.Аденомы гипофиза развиваются из гипофиза и имеют тенденцию к медленному росту. Около 10% первичных опухолей головного мозга диагностируются как аденомы. Они могут вызывать проблемы со зрением и эндокринологию. К счастью для пациентов, пораженных ими, аденомы являются доброкачественными и поддаются хирургическому лечению и/или медикаментозному лечению.

Краниофарингиома

Эти доброкачественные опухоли растут вблизи гипофиза и могут проявляться в виде солидных опухолей или кист. Краниофарингиомы часто сдавливают нервы, кровеносные сосуды или участки головного мозга вокруг гипофиза.Как и аденомы, они также могут вызывать проблемы со зрением и эндокринологию. Обычно они поражают детей и подростков, а также взрослых старше 50 лет.

Шваннома

Акустические невриномы (вестибулярные шванномы) — доброкачественные, медленно растущие опухоли нерва, соединяющего ухо с мозгом. Менее 8% первичных опухолей головного мозга являются невриномами слухового нерва. Они обычно развиваются у взрослых среднего возраста, растут на оболочке нерва — покрытии, окружающем нервные волокна, — и часто вызывают потерю слуха.Шванномы также могут поражать тройничный нерв. Их называют шванномами тройничного нерва, которые встречаются гораздо реже, чем вестибулярные шванномы, и могут вызывать лицевые боли.

Ангиофиброма носоглотки

Ангиофиброма носоглотки, также известная как ювенильная ангиофиброма носоглотки, представляет собой доброкачественную опухоль основания черепа в носу, которая обычно диагностируется у мальчиков-подростков. Это наиболее распространенная доброкачественная опухоль носоглотки (пространство в задней части носа, которое соединяет нос со ртом).Он распространяется на области вокруг носа, вызывая такие симптомы, как заложенность носа и кровотечение из носа.

Опухоль сосудистого сплетения

Опухоли сосудистого сплетения — это редкие опухоли, которые обнаруживаются в сосудистом сплетении — части мозга в его желудочках, которая вырабатывает спинномозговую жидкость. Около 90% этих опухолей доброкачественные. Чаще всего они возникают у детей в возрасте до 2 лет и могут вызывать гидроцефалию, скопление спинномозговой жидкости по мере их роста. Это может привести к повышенному давлению на мозг и увеличению черепа.Редким злокачественным типом опухоли сосудистого сплетения является карцинома сосудистого сплетения.

Дисэмбриопластическая нейроэпителиальная опухоль

Это разновидность нейронально-глиальной опухоли головного мозга — она состоит из смеси нейронов и опорных клеток. Дисэмбриопластические нейроэпителиальные опухоли — редкие доброкачественные опухоли, возникающие в тканях, покрывающих головной и спинной мозг. Обычно обнаруживаемые у детей и подростков, эти опухоли могут вызывать судороги. Другие нейроглиальные опухоли головного мозга включают ганглиоглиомы, ганглиоцитомы и опухоли, образующие розетки.

Нейрофиброма

Нейрофибромы — это доброкачественные, как правило, безболезненные опухоли, которые могут расти на нервах в любом месте тела. В некоторых случаях эти мягкие, мясистые наросты развиваются в головном мозге, на черепных нервах или в спинном мозге. Множественные нейрофибромы являются симптомом генетического заболевания, называемого нейрофиброматозом 1 типа (NF1).

Гемангиобластома

Гемангиобластомы — это доброкачественные опухоли кровеносных сосудов, которые могут образовываться в головном мозге. Эти опухоли часто можно удалить хирургическим путем.В редких случаях они могут появляться в нескольких местах и ​​быть симптомами наследственного заболевания фон Хиппеля-Линдау. В этом случае могут быть рекомендованы различные анализы и посещения специалистов, таких как офтальмолог или генетик.

Хондрома

Хондромы — очень редкие доброкачественные опухоли из хряща. Они могут развиваться в хрящах основания черепа и придаточных пазухах носа, но они также могут поражать другие части тела, такие как руки и ноги. Хондромы обычно возникают у пациентов в возрасте от 10 до 30 лет.Хотя эти опухоли растут медленно, они могут в конечном итоге привести к перелому кости или чрезмерному росту, создавая давление на мозг.

Гигантоклеточная опухоль

Гигантоклеточные опухоли, названные в честь их очень больших клеток, представляют собой редкие опухоли костей, которые обычно поражают кости ног и рук. Их также можно найти в черепе. Большинство гигантоклеточных опухолей являются доброкачественными и возникают у пациентов в возрасте от 20 до 40 лет.

Остеома

Остеомы — это доброкачественные опухоли костей (новый рост кости), которые обычно развиваются на основании черепа и костях лица.Как правило, эти медленно растущие опухоли не вызывают никаких симптомов. Однако, если большие остеомы разрастаются в определенных областях головного мозга, они могут вызвать проблемы с дыханием, зрением или слухом.

Другие доброкачественные поражения головного мозга и кисты

Арахноидальная киста

Арахноидальные кисты являются распространенными доброкачественными кистами головного мозга, которые возникают в оболочках, окружающих головной мозг, и заполнены спинномозговой жидкостью. Они обычно присутствуют с рождения, не вызывают никаких симптомов и часто не лечатся.

Коллоидная киста

Это доброкачественное новообразование в третьем желудочке головного мозга.Он может блокировать пути цереброспинальной жидкости, вызывая головные боли и гидроцефалию, или может быть обнаружен совершенно случайно. Его часто удаляют хирургическим путем, особенно если он вызывает гидроцефалию.

Дермоидная или эпидермоидная киста

Дермоидные и эпидермоидные кисты представляют собой медленно растущие образования, формирующиеся из остатков кожной ткани в эмбриональном развитии. Их лечат хирургическим путем, и последующие процедуры можно безопасно проводить, если полная экстирпация невозможна во время первой операции.

Энцефалоцеле

Энцефалоцеле представляет собой мешковидное выпячивание головного мозга и покрывающих его оболочек через отверстие в черепе. Этот редкий врожденный дефект возникает, когда нервная трубка, в которой формируются головной и спинной мозг, не может полностью закрыться во время внутриутробного развития. Энцефалоцеле может возникать в основании черепа, в верхней или задней части черепа или между лбом и носом. Они могут вызывать деформации лица и черепа, которые устраняются хирургическим путем.По данным Центров по контролю и профилактике заболеваний, каждый год примерно у одного из каждых 10 000 младенцев, рожденных в Соединенных Штатах, будет энцефалоцеле.

Фиброзная дисплазия

Фиброзная дисплазия — это редкое заболевание костей, при котором вместо нормальной кости развивается рубцовая фиброзная ткань. По мере роста кости фиброзная ткань постепенно расширяется, ослабляя кость. Фиброзная дисплазия обычно развивается в основании черепа и костях лица, бедренной кости, большеберцовой кости, ребрах, плечевой кости или тазу.Фиброзная дисплазия может привести к боли и переломам или деформации костей. Тяжелая деформация лицевых костей может привести к потере зрения или слуха. В редких случаях пораженный участок кости может стать раковым.

Киста расщелины Ратке

Кисты расщелины Ратке представляют собой доброкачественные, заполненные жидкостью новообразования, медленно развивающиеся в пространстве между передней и задней областями гипофиза. Большинство кист расщелины Ратке обнаруживают у взрослых, хотя они формируются во время внутриутробного развития.

Каменистое поражение верхушки

Поражения вершины каменистой кости — это аномалии, возникающие на кончике кости в черепе рядом со средним ухом.Наиболее распространенным типом поражения вершины пирамиды является доброкачественная холестериновая гранулема, представляющая собой кисту. Другие поражения вершины пирамиды включают акустические невриномы и опухоли основания черепа. Большинство поражений вершины пирамиды доброкачественные. Однако у пациентов с другими видами рака могут развиваться метастатические поражения вершины пирамиды пирамиды.

Опухоли головного мозга различной степени тяжести (от более доброкачественных до злокачественных)

Глиома

Глиома — распространенный тип опухоли, возникающей в головном мозге, но иногда ее можно обнаружить и в спинном мозге.Около 33% всех опухолей головного мозга составляют глиомы. Эти опухоли возникают из глиальных клеток, которые окружают и поддерживают нейроны. Существует несколько типов глиальных клеток, следовательно, существует много типов глиом, в том числе:

• Астроцитомы
  • Распространенной формой является пилоцитарная астроцитома, доброкачественная опухоль головного мозга, возникающая из поддерживающих клеток головного мозга и обычно обнаруживаемая у молодых людей или детей. Его можно лечить хирургическим путем, если можно удалить всю опухоль.
• Олигодендроглиомы
• Глиобластомы, особо агрессивный тип опухоли

Понимание глиом развивалось с годами.В зависимости от типа клеток, образующих глиому, и их генетических мутаций эти опухоли могут быть более или менее агрессивными. Часто проводят генетическое исследование опухоли, чтобы лучше понять, как она может себя вести. Например, диффузные срединные глиомы или глиомы полушария представляют собой недавно описанные типы глиом, которые имеют специфические мутации, связанные с более агрессивным характером.

Эпендимальные опухоли

Эпендимальные опухоли возникают из слизистой оболочки желудочков или центрального канала спинного мозга.Они редки и могут появиться в любой части головного или спинного мозга. Есть разные типы, в том числе:

• Субэпендимома
• Миксопапиллярная эпендимома
• Эпендимома: Подобно глиомам, эпендимомы также могут иметь определенные генетические мутации. Их поведение может быть разным в зависимости от того, где они расположены в нервной системе.

Гемангиоперицитома

Гемангиоперицитомы — редкие опухоли основания черепа, поражающие кровеносные сосуды.В то время как большинство гемангиоперицитом обнаруживают в мягких тканях ног, области таза, головы и шеи, некоторые могут возникать в полости носа и околоносовых пазухах. Эти опухоли могут быть доброкачественными или злокачественными.

Опухоли зародышевых клеток

При нормальном развитии эмбриона и плода половые клетки обычно становятся яйцеклетками (у самок) или сперматозоидами (у самцов). Однако, если зародышевые клетки попадают в мозг по ошибке, они могут стать опухолями. Опухоли зародышевых клеток могут быть доброкачественными или злокачественными. Некоторые типы опухолей зародышевых клеток включают герминомы, эмбриональные карциномы, опухоли желточного мешка и тератомы.Они часто диагностируются в период полового созревания и чаще поражают мальчиков, чем девочек.

Опухоли шишковидной железы

Опухоли шишковидной железы — это опухоли, которые появляются в области шишковидной железы. Они находятся глубоко в головном мозге и могут вызывать гидроцефалию, блокируя пути спинномозговой жидкости. Существуют различные типы опухолей шишковидной железы с различным поведением, включая пинеоцитомы, паренхиматозные опухоли шишковидной железы промежуточной дифференцировки и пинеалобластомы. Другие опухоли, такие как глиомы, тератомы и опухоли зародышевых клеток, могут появляться в области шишковидной железы.Анализ крови или люмбальная пункция могут быть рекомендованы для поиска маркеров, которые могут помочь в диагностике опухоли шишковидной железы. В других случаях рекомендуется операция по биопсии.

Типы рака головного мозга: типично злокачественные опухоли головного мозга

Хордома

Хордомы — это редкая форма рака костей, обычно обнаруживаемая в основании черепа или нижней части спины. Менее 1% всех первичных опухолей головного мозга диагностируются как хордомы. Этот тип опухоли может проникать в соседнюю кость и оказывать давление на близлежащую нервную ткань.Хотя эта опухоль медленно растет и выглядит доброкачественной, она ведет себя скорее как злокачественная опухоль из-за своей склонности возвращаться и распространяться в другие области. Хордомы, в целом агрессивные, имеют несколько изменчивую и непредсказуемую прогрессию.

Хондросаркома

Хондросаркома — злокачественная опухоль кости, поражающая в основном хрящи. Хондросаркома обычно развивается у пациентов в возрасте от 50 до 70 лет. Опухоль может начинаться в клетках бедренной кости, руки, таза, колена и позвоночника.Он также может начаться в костях лица или основании черепа. Некоторые из этих видов рака могут быть агрессивными.

Медуллобластома

Медуллобластома — наиболее частая злокачественная опухоль головного мозга у детей. Он обычно поражает детей в возрасте от 5 до 9 лет и редко встречается у людей старше 30 лет. Он возникает в мозжечке, части мозга, расположенной у основания черепа. Существуют разные типы медуллобластомы, и их агрессивность может меняться в зависимости от конкретных мутаций опухолевых клеток.

Обонятельная нейробластома

Обонятельная нейробластома, также известная как эстезионейробластома, представляет собой очень редкую злокачественную опухоль, которая развивается в носу. Эта опухоль, вероятно, начинается в обонятельном нерве, который передает импульсы, связанные с обонянием, от носа к мозгу. У пациентов с обонятельной нейробластомой могут наблюдаться частые носовые кровотечения, потеря обоняния и затрудненное дыхание через ноздри.

Лимфома

Лимфома – это тип опухоли, которая образуется в части иммунной системы организма, лимфатической системе.Лимфомы могут распространяться из других частей тела в головной мозг или образовываться в головном мозге (первичные лимфомы центральной нервной системы). Хирургическое вмешательство может быть рекомендовано для подтверждения типа опухоли с помощью биопсии, но первичные лимфомы ЦНС чаще лечат химиотерапией и облучением.

Глиосаркома

Эти опухоли представляют собой редкие типы глиом, смешанные с другими поддерживающими тканями. Глиосаркомы могут распространяться на другие области и обычно агрессивны и устойчивы к терапии.

Рабдомиосаркома

Рабдомиосаркома — редкая форма рака мягких тканей из мышц.Хотя это может произойти во многих местах тела, таких как руки и ноги, оно часто встречается в голове, шее и основании черепа. У детей чаще развиваются рабдомиосаркомы. Это может привести к проблемам с глазами или лицом. Некоторые наследственные состояния, в том числе нейрофиброматоз типа 1 (NF1), повышают риск этого заболевания.

Рак придаточных пазух носа

Рак придаточных пазух носа формируется в тканях, выстилающих полости в костях вокруг носа.Эта злокачественная опухоль основания черепа в основном встречается в гайморовых пазухах (в скулах под глазами) и решетчатых пазухах (рядом с верхней частью носа). Существуют различные типы рака придаточных пазух носа, и лечение может включать комбинацию хирургического вмешательства, лучевой терапии и химиотерапии.

Атипичная тератоидная/рабдоидная опухоль (AT/RT)

AT/RT — редкий тип эмбриональной опухоли центральной нервной системы. Он обычно поражает детей в возрасте 6 лет и младше, быстро растет, а показатель выживаемости низок даже при агрессивном хирургическом вмешательстве, лучевой и химиотерапии.

Мозг: височная доля, блуждающий нерв и лобная доля

Человеческий мозг состоит из правой и левой височных долей, причем одна из них отражает другую. В мезиальную анатомию височной доли входят специфические структуры, которые часто вызывают приступы у пациентов с височной эпилепсией. Структуры включают гиппокамп, парагиппокамп и миндалевидное тело. Многие или все из них будут удалены во время операции, чтобы остановить приступы, возникающие в этой области. Наиболее распространенной причиной, по которой операция по поводу судорог выполняется в височной доле, является рубцевание гиппокампа или склероз гиппокампа.Удаление гиппокампа в этой ситуации приведет к купированию судорог у большинства больных.

Анатомия этой области изображена на следующем рисунке.

Конкретные структуры, которые хирург ищет во время операции, включают артерии и вены, кровоснабжающие область, третий и четвертый черепные нервы (контролирующие движения глаз), ствол мозга и основание черепа. Эти структуры идентифицируются и защищаются во время операции, чтобы предотвратить послеоперационные неврологические симптомы.

Кровоснабжение гиппокампа включает артериальное кровоснабжение (показано красным) из задней мозговой артерии и венозный отток (показан синим цветом) в базальную вену Розенталя, как показано на образце трупа слева. Другие артерии, иногда видимые во время операции, включают систему средних мозговых артерий, переднюю хориоидальную артерию и внутреннюю сонную артерию.

Функция височной доли

Гиппокамп играет роль в обработке памяти; однако точная схема памяти в человеческом мозгу изучена плохо.Гиппокамп на стороне, где преобладает язык (обычно это левое полушарие мозга у большинства людей), играет гораздо более важную роль в памяти, чем на недоминирующей стороне. Этот гиппокамп функционирует в вербальной или языковой памяти и кратковременной памяти. Клиницисты используют несколько тестов перед операцией, чтобы определить риск ухудшения памяти, если необходимо удалить доминирующий гиппокамп.

Доминантная височная доля (слева) часто имеет область, специализирующуюся на языковых навыках. Эта область мозга классически известна как зона Вернике и отвечает за понимание речи.Его точное расположение варьируется (см. рисунок), и, если требуется хирургическое вмешательство в заднем латеральном отделе височной доли, этот языковой участок необходимо идентифицировать и защитить.

Другие функции височной доли включают часть пути зрительных волокон, известную как петля Мейера. Эти волокна проецируются от латерального коленчатого ядра таламуса к зрительной коре. Они проходят по разному в глубоком белом веществе височной доли и иногда неизбежно травмируются во время операции на височной доле.Это приводит к дефекту периферического зрения с черным пятном в противоположном верхнем периферическом поле зрения («дефицит журавля в небе»).

Блуждающий нерв представляет собой смешанный черепной нерв, содержащий приблизительно 80% чувствительных волокон. Эфферентные волокна иннервируют гортань и обеспечивают парасимпатический контроль над сердцем, легкими и органами брюшной полости. Правый блуждающий нерв иннервирует синоатриальный узел сердца, а левый — атриовентрикулярный узел. В модели с собакой стимуляция правого блуждающего нерва вызывала большее замедление сердечного ритма, чем левого.По этой причине имплантируется левый блуждающий нерв человека. Неблагоприятных сердечных осложнений не наблюдалось, возможно, потому, что стимуляция блуждающего нерва может быть выполнена на сегменте, удаленном от места отхождения сердечных ветвей (см. диаграммы).

Нерв проходит от нижней части ствола мозга через основание черепа и проходит на шее вместе с сонной артерией и яремной веной. Затем он проникает в грудную клетку и попадает в сердце и легкие. Он продолжается в брюшную полость, где распадается на сеть нервов, ведущих к органам брюшной полости.

Для имплантации стимулятора блуждающего нерва (ВНС) нерв идентифицируют на шее между сонной артерией и яремной веной. Здесь нерв имеет хороший размер, и электрод легко обвивается вокруг него по спирали.

Лобная доля является самой большой в головном мозге и простирается от передней части черепа назад до за ухом. В его границах находится область, которая двигает противоположную сторону тела (первичная моторная кора), часть, обеспечивающая скоординированные движения глаз в противоположную сторону (лобные поля глаза), область, отвечающая за инициацию и координацию плавных двигательных движений. дополнительная моторная зона), а если на доминирующей стороне, то моторная речевая зона (зона Брока).

Доминантная сторона упрощенно относится к стороне мозга, отвечающей за языковую функцию. Язык характеризуется различными областями в пределах одной половины мозга, каждая из которых выполняет свою функцию и связана трактами белого вещества (см. Диаграмму). Хотя это упрощенный взгляд, он хорошо помогает нам понять, как устроен язык. У большинства людей язык находится в левом полушарии мозга. Если человек левша или у него в раннем возрасте были проблемы с левым полушарием мозга, вероятность того, что язык будет находиться в правом полушарии мозга, возрастает.Независимо от того, на какой стороне мозга находится язык, он классически организован в зону Брока в нижней лобной доле прямо перед моторной зоной лица и зону Вернике в задней височной/теменной области. Эти области поверхностного языка важно идентифицировать и избегать во время хирургического удаления зон судорог.

Таким образом, лобная доля имеет различные важные или красноречивые области в зависимости от церебрального доминирования (какая сторона является доминирующей). Это важно знать перед операцией, так как риски операции могут варьироваться справа и слева.Тесты, доступные для определения этого, включают внутрикаротидный тест с амобарбиталом натрия (WADA), нейропсихологическое тестирование и функциональную магнитно-резонансную томографию. Из них тест ВАДА является наиболее надежным, но также сопряжен с небольшим риском из-за инвазивного характера теста.

Общая организация лобной доли независимо от стороны включает образование извилин (извилин серого и белого вещества головного мозга) и борозд (естественных плоскостей в плоскости, содержащей кровеносные сосуды).Поверхности лобной доли включают глазничную (базальную) поверхность, латеральную поверхность и мезиальную поверхность (см. схемы). В глубоком белом веществе лобной доли находится передняя часть бокового желудочка, содержащая спинномозговую жидкость. Задняя часть каждой лобной доли, известная как прецентральная извилина, содержит первичную моторную кору. Здесь двигательная функция устроена по двигаемой части тела (соматотопическое представление). Устройство коры известно как гомункул (см. схему).

В зависимости от того, где начинается припадок, у каждого пациента могут быть разные типы припадков. Становится важным определить сторону доминирования, сторону начала припадка и какая область лобной доли поражена. Как только они будут определены, может потребоваться хирургическое вмешательство для дальнейшего картирования лобной доли (ссылка на субдуральные сетки) или возможна прямая резекция коры лобной доли.