文摘
Inter-subject相关性(ISC)是一种广泛使用的方法,分析功能性磁共振成像(fMRI)数据期间获得自然的刺激。ISC分析一个挑战是定义所需的样本量的结果是可靠的。我们研究样本量的影响另外ISC的可靠性分析和解决以下问题:有多少对象所需的ISC统计收敛到ISC统计获得使用大样本吗?这项研究是实现使用一个大型设计数据块组130例。我们进行了分半基于重采样分析反复抽样两种不重叠的子集的10 - 65主题和比较ISC独立主题集之间的映射。与20个主题,我们的研究结果表明,平均而言,ISC统计聚集接近了大样本ISC统计130例。然而,unthresholded的分半信度和阈值ISC地图明显改善当受试者的数量从20到30或更多的提高。
1。介绍
Inter-subject相关性(ISC) (1,2)是一种广泛使用的方法,检测和比较激活在功能性磁共振成像(fMRI)期间获得复杂、多维刺激如音频叙事、音乐或电影3- - - - - -9]。而不是试图在标准模型的刺激一般线性模型(GLM)基于功能磁共振成像分析ISC计算voxel-by-voxel相关性的受试者的功能磁共振成像时间课程,假设图像已经注册到一个共同的立体空间。激活地图可以由阈值的平均相关系数值。ISC方法已被证明产生激活地图密切匹配的标准基于GLM分析当刺激很简单,可以模仿10]。但是请注意,而不是使用一个模型时间的刺激,ISC预计,所有受试者暴露于相同的刺激,它不是一个分析静息状态功能磁共振成像的方法。
共同挑战任何fMRI组分析,包括ISC分析,是定义所需数量的对象,这样的分析结果是可靠的和有足够的统计能力,但是数据采集的成本最小化。原则上,一个更大的样本容量提供了更可靠的分析和更多的统计能力11,12]。显然,样本容量可靠性并不是唯一因素(或统计力量)的研究中,但理想的整个研究设计应该达到所需的统计的权限(13- - - - - -15]。然而,主客体之间变异性在fMRI数据通常远远高于受试变异性,因此选择一个足够大的样本容量是必要的(16]。
尽管没有通用的方法最优实验设计使用自然的刺激,概括性的分析结果、必然与样本量有限,人口水平是一个重要的考虑。特别,重要的是要知道有多少科目所需复制(或可靠的)分析,这小主题样本的变化不会引起太大的变化的分析结果。这是我们问的问题在这篇文章中,我们的知识还没有解决之前ISC的背景下分析。类似的功能磁共振成像的可靠性的研究小组的研究与一般线性模型(GLM)分析报告(早些时候16- - - - - -18]。所有这些研究得出结论,接近30对象应该包括一组在功能磁共振成像数据分析研究水平。样本容量问题研究也与独立分量分析(19),结果的再现性是注意到改善以增加数量的科目。至关重要的是,大卫et al。20.)报道,受试者的平均数量的荟萃分析13岁和94%的所有研究应用了不到30,这表明通常fMRI集团研究基于全球语言监测机构可能不会达到所需的可靠性水平。
在这项研究中,我们检查了受试者的数量包括在研究如何影响的可靠性统计ISC地图和罗斯福纠正二进制阈值地图。我们使用一个大130 -主题数据集用一个简单的块设计任务并执行分半基于重采样分析(类似于(16])在不同科目的数量每一分半。重采样过程重复了1000次。这个设置使我们能够处理的再现性研究65年最大的主题。我们比较统计ISC地图使用形成独立学科样本和阈值ISC地图。此外,类似于17相比我们统计ISC地图的子集与统计130例ISC地图来自整个130 -主题数据集。
2。材料和方法
2.1。功能磁共振成像数据
使用的功能磁共振成像数据的准备工作从洲际弹道导弹获得数据库(https://ida.loni.usc.edu/login.jsp?project=ICBM)图像数据归档神经成像实验室的。洲际弹道导弹项目首席研究员约翰·Mazziotta医学博士,University of California, Los Angeles) is supported by the National Institute of Biomedical Imaging and BioEngineering. ICBM is the result of efforts of coinvestigators from UCLA, Montreal Neurologic Institute, University of Texas at San Antonio, and the Institute of Medicine, Juelich/Heinrich Heine University, Germany.
我们选择所有对象从洲际弹道导弹数据库功能磁共振成像测量与动词的一代(VG)任务和结构先生形象。这个生产了132受试者的数据集。经过质量检查通过目视检查两个受试者被丢弃由于清理工件的功能磁共振成像数据。这导致了130年的最后一个数据集对象:61年男性,69名女性;年龄19 - 80岁,平均44.35岁;117是右撇子,10是左撇子,3是怀有二心的。期间获得的数据块设计VG的任务(任务与视觉输入一种语言)从功能参考电池(美联储)由国际财团开发人类大脑图谱(洲际弹道导弹)21]。美联储持有的一组行为任务设计可靠地生产功能性地标在主题和我们以前使用fMRI数据从美联储洲际弹道导弹的数据库中提取其他实验(10,22]。的细节提供了数据和VG的任务(10]。VG任务包含最多的主题与功能磁共振成像测量导弹数据库美联储在五个任务,因此我们选择了这个研究。
数据收集功能3-Tesla西门子爱兰歌娜fMRI扫描仪和解剖加权核磁共振数据收集1.5特斯拉西门子奏鸣曲扫描仪。TR / TE时间功能数据4 s / 32女士,与翻转角度90度,像素间距2毫米,厚度2毫米。解剖参数数据分别为1.1 s / 4.38毫秒,15度,1毫米,1毫米,相应。
2.2。预处理
与目前执行数据的预处理(版本5.0.2.2)从牛津功能性磁共振成像的大脑中心,牛津大学,牛津大学,英国23]。相同的数据预处理,(10),包括运动校正与目前的MCFLIRT和大脑功能数据提取是完成目前的打赌24]。功能磁共振成像图像是暂时高通过滤60年代的截止时间和空间平滑应用与一个各向同性三维高斯内核宽屏半峰(应用)在每个方向5毫米。大脑结构的提取图像也由打赌,但是这样做是分开的主要过程加权图像的参数选择需要个人调优的图像。
目前的图像配准进行了线性注册工具(调情)25,26在两个阶段。起初,skull-stripped功能图像对齐(6个自由度,全搜索)skull-stripped高分辨率加权图像相同的主题,然后结果是一致的标准(大脑)2毫米洲际弹道导弹- 152模板(12自由度,完整的搜索)。
2.3。ISC分析
所有的ISC分析计算与ISCtoolbox Matlab (2]。ISCtoolbox计算ISC统计首先计算皮尔逊的所有情况的相应的时间序列之间的相关性。然后,获得最终的综合性测试统计,相关值的情况结合成一个单一的ISC统计平均。这是ISC统计地图。
统计推断是通过一个完全非参数voxel-wise重新取样测试实现ISCtoolbox [27]。重新取样测试构造ISC值的零分布圆将时间序列每个主题的一个随机量。这个测试类似于圆形块引导测试(28),它占时间相关性固有的功能磁共振成像数据。更详细描述的测试,我们指的是(29日]。为每个ISC阈值地图,重采样分布与10 000 000实现近似,抽样随机在每个实现的脑压和生成一组新的时间替换为每个实现(一个为每个主题)。由此产生的值在整个大脑使用纠正voxel-wise错误发现率(罗斯福)基于多个比较校正(30.]。
2.4。实验的程序
我们进行了分半重采样ISC的分析方法的类型。随机图纸(不重复)的过程由两个独立的子集课程从130年总额科目。然后,完整的ISC分析(包括重采样分布近似修正阈值和计算)进行子集和完整的ISC分析结果从两组得救了。这个过程重复了1000次意味着ISC独立分开分析,为每个的2000倍。
我们比较了ISC统计分半的地图分析用以下标准。
(1)皮尔森相关系数为比较nonthresholded统计地图被定义为 在哪里是大脑体积的体素的总数。和是两个ISC统计的分别th体素。和样本均值的吗和整个大脑体积,和的标准偏差吗和脑容量。最后的测量是计算平均相关措施根据 在哪里是重采样复制的数量,这是1000年的这项研究。
(2)平均绝对误差(MAE)之间的配对ISC地图是根据定义的 在哪里是大脑体积的体素的总数。和是两个ISC统计的分别th体素。最后的测量是计算平均美措施根据 在哪里是重采样复制的数量。
我们用骰子指数比较阈值成对二进制ISC激活地图(31日]。骰子的理由使用索引可以在找到10]。两组之间的骰子指数(和,指重采样复制)的激活体素定义为 和它需要值在0和1之间。检测阈值被纠正的错误发现率(罗斯福)在整个大脑使用,,(没有相关性的假设)。骰子指标计算的1000倍为每个对象数量和平均骰子指数计算平均1000骰子索引以同样的方式与相关性和梅的措施。
骰子的索引定义了二进制两个二进制图像之间的相似度并可以分类与兰迪斯和科赫分类Kappa系数(10]。根据(32的类别(我)≤0,没有协议,(2)0 - 0.2,轻微的协议,(3)0.2 - -0.4,公平的协议,(iv)0.4 - -0.6,温和的协议,(v)0.6 - -0.8,实质性的协议,(vi)0.8 - -1.0,几乎完美的协议。
Landis和科赫自己注意这些类别是高度主观的(32),但也许是有用的作为参考。
类似于(17),我们认为统计地图的速度收敛到一个大样本的统计地图与130例。为此,我们重申皮尔逊相关分析上述通过比较统计地图造成重采样获得的数据映射中使用所有130例(1),平均超过2000重采样迭代。更具体地说,和在(1)是来自相同的统计图和130例(2)当时是2000年。我们也计算阈值的敏感性和特异性ISC地图使用阈值130例ISC统计与相应的阈值(,,地面实况没有相关性的假设)。最后的敏感性和特异性(每个科目的数量)从2000年平均敏感性和特异性措施导致从1000分半重采样复制。
2.5。实现
本研究计算要求。为每个对象的数量,2000 ISC分析10 000 000实现修正阈值被计算。这是重复12不同数量的科目和整个分析需要24 001 ISC分析(一个额外的分析是整个数据组130例)。实现计算,并行计算环境的墨洛珀坦佩雷理工大学,芬兰、使用。它有节点上运行惠普把SL390s G7配备英特尔至强X5650 CPU 2, 67 GHz和最低的4 GB RAM /核心。使用网格发动机粘。很多等效计算时间是4.75年,如果他们已经用一个高端CPU计算。
3所示。结果
图1介绍了阈值(voxel-wise罗斯福纠正在整个大脑ISC)结果分析整个130受试者的数据集。重大ISC值被发现在枕叶和颞叶,侧枕叶皮质区,和paracingulate回以及中间额伪劣额叶脑回。130 -主题ISC地图非常类似于ISC地图较小的部分相同的数据,但早些时候提出的()[10]。37-subject分析相比,最显著的区别是,与130年主题更多的体素中幸存下来的阈值和重大isc形成半球更对称的模式。一个特定的注意关于ISC地图图1是为了:似乎有一个工件,可以视为一个激活的细线在左额叶皮质(例如)在轴向片吗毫米。在这个位置数据的调查显示略有下降信号时间序列的大多数科目,埋在任何单一主题的噪声数据,增加ISC值与大数据集的统计显著性水平。下降的时间位置中间的时间序列(年代,而不包括稳定卷)。统计ISC地图从130年NeuroVault服务对象是可用的33)http://www.neurovault.org/collections/WTMVBEZP/images/11576/。
图2提出了产生的相关标准分半重采样分析。图2(一个)介绍了平均相关性(2)和图2 (b)提出了相应的方差,(见(1))。如预期的平均不重叠的样本之间的相关性增加当受试者的数量增加,与此同时,方差下降。平均相关曲线并不是线性对象的数量和稳定在30名学生最终达到0.95的值作为研究对象的数量达到65的价值。
(一)
(b)
图3介绍了美标准产生的分半重采样分析。图3(一个)介绍了平均美(3)和图3 (b)提出了相应的方差,(见(3))。同样,正如所料,不重叠的样本之间的平均美当受试者的数量减少增加同时方差减少,很大程度上基于复制相关曲线在图2。20受试者平均美为0.015和30 0.011表明,平均而言,ISC 20或30科目已经提供了一个高度的再现性,当平均在整个大脑。然而,这没有透露是否有变化的再现性voxel-wise ISC值在大脑。图4提出了梅斯是如何分布在30名学生的脑容量。我们注意到美分布在大脑的空间形状非常类似于对象的所有数字,只有平均梅的大小改变。比较图4与图1显示最高的变化ISC恰逢ISC值最高。三维地图美数字NeuroVault对象可用的服务33)http://www.neurovault.org/collections/WTMVBEZP/。
(一)
(b)
图5在1000年重新采样复制了骰子索引。图5(一个)介绍了骰子指标的平均水平对三种阈值水平(voxel-wise罗斯福纠正在整个大脑(蓝色),(红色)(黄色))。图5 (b)提出相应的方差的骰子索引。骰子,预计相似性阈值ISC地图增加当受试者的数量增加和骰子的方差指标当受试者的数量的增加而减少。基于图5(一个),值得注意的是,更为保守的阈值需要更稳定。最自由的阈值骰子都平均指标范畴内的“实质性的协议”,但保持“几乎完美的协议”的水平下即使65例。更保守达到了“几乎完美的协议”水平与45主题和骰子指数超过所需的0.8已经有35个科目。
(一)
(b)
图6介绍了相关的平均ISC地图重新取样时受试者的子集而ISC映射计算与整个组130例(平均超过2000重采样复制)。在图6(一)介绍了平均相关性和(b)提出了相应的方差。再一次,当受试者的数量增加的相关性增加和方差减少当受试者的数量增加。接近于零方差和相关性满130 - ISC地图0.95 30科目。敏感性和特异性曲线,使用130 -阈值ISC地图地面实况,呈现在图7。敏感性增加当受试者的数量增加,所有数字的特异性呆接近1。图7还表明,阈值越自由越高灵敏度值略微牺牲特异性的价值。
(一)
(b)
(一)
(b)
4所示。讨论
在这项研究中,我们评估的可靠性ISC的功能磁共振成像数据分析,研究了影响样本量的ISC的可靠性分析。这是通过使用一个分半重采样的基础设计,类似的16]。我们随机抽取两个不重叠的子集的主题从130 -主题ICBM-fMRI数据集与动词一代的任务。我们成对重采样过程迭代1000次为每个不同的从10到65年ISC分析结果相比,基于两个不重叠的子集的科目。我们比较两个原始ISC统计地图和阈值统计地图。
以前,我们已经验证了ISC分析针对一套黄金标准的GLM分析(10)和ISC平滑的效果进行了调查分析结果(22]。这两个研究使用了一个相对较大的功能磁共振成像数据集的37个主题,这是比数据集通常应用于自然的刺激实验。因此,除了问题ISC的可靠性分析中,它是重要研究课题需要多少ISC分析为了统计地图稳定。当比较的ISC我们之前研究的结果应用37个科目(10)与当前研究的130名受试者中,也就不足为奇了统计分析的力量增加了受试者的数量增加;即激活区域与130年大科目。
当检查voxel-wise美值如图4最大的美,很明显,恰逢最强的isc图1。这是一个有趣的现象,因为纯粹技术上的样本方差相关系数减少当真正的相关性增加(34]。因此,增加voxel-wise美值平均ISC意味着subject-pair-to-subject-pair可变性的ISC一般平均ISC增加而增加。我们注意到这一现象是独立于应用样本大小,尤其是美地图,上传http://www.neurovault.org/collections/WTMVBEZP/几乎是相同的,除了美价值观的规模。
本研究中的数据是基于传统的块设计刺激而ISC通常应用功能磁共振成像数据分析与自然的刺激。这个选择是出于必要,因为没有足够大的研究存在自然的刺激。原则上,设计数据块可能会限制不显示全部参与ISC的变异来源分析。特别是,涉及的数据复制相同的任务/刺激模式,因此可能会导致积极的偏见自然刺激fMRI可靠性措施。另一方面,我们已经表明,ISC适用于设计数据块(10,22),这部分证明设计数据块的使用。同时,应该注意的是,自然刺激本身高度不同,因此使用一种自然的刺激可能有相同的限制使用块设计刺激。由于高计算的需求分析,我们选择了只考虑fMRI一定长度的时间序列虽然时间序列的最小长度是一个重要考虑事项特别是所谓的时间窗口ISC分析(2,35]。刺激呈现分析更具针对性的对自然的研究,其中一个可能规定,个体反应刺激可能不同的参与者比使用传统的功能磁共振成像装置,我们包括受试者的年龄范围从19岁到80年我们的分析(见[36]的age-effects动词产生任务)。我们还包括左撇子和“双撇子”,这可能是稍微有争议,由于更大的患病率right-lateralized语言中左撇子主题(见[37)和引用)。然而,大多数左撇子left-lateralized语言和存在多个其他原因不排除左撇子从神经影像学研究37]。
20分半的结果重新取样分析表明受试者最低达到某种程度上的可再生的ISC统计地图,但对于一个好的重现性是首选有30科目或更多。20个项目,相关措施((2)为0.82(见图2),平均美((4)为0.015(见图3),平均骰子系数为0.71,0.72和0.70、0.01和0.001,分别(见图5)。当受试者的数量低于20,我们的分析表明弱再现性(见图2,5,3)。再现性提高明显当受试者的数量从20到30(增加增加到0.89,下降到0.010,平均骰子系数提高到0.74,0.77,和0.78,分别地),但增加30多个科目没有大幅改善的再现性。子样品的平均相关性ISC统计地图和整个样本ISC统计地图0.92已经与20主题和0.95 30主题表明ISC统计地图迅速聚集向整个样本ISC地图。见图7ISC的平均灵敏度检测,当阈值相比ISC地图与130例,甚至不是特别高30科目。然而,ISC检测的特异性是接近1,表明几乎所有体素检测样本量小,也发现在满130 -主题样本。这并不奇怪,很大程度上基于复制的漠视的结果分析相关的事件在[/勿动蛋白任务17]。此外,我们的结果是符合研究基于GLM的再现性分析(16)建议超过20年甚至30多个科目应该使用fMRI组分析。显然,需要多少科目为特定的功能磁共振成像研究最终取决于实验和这项工作提供的指导方针可能并不适用于所有涉及ISC的实验分析。
5。结论
我们学了ISC样本量的影响分析来确定有多少科目需要一个可靠的ISC分析。我们也调查了小样本足够的ISC统计收敛于ISC统计获得的大样本。我们发现20科目ISC统计聚集接近130受试者的ISC统计。然而,unthresholded和阈值映射的可靠性明显改善受试者的数量增加到30时,与这些数据表明30主题或更应该使用ISC分析真正的可重复的结果。最后,我们强调所需数量的对象取决于实验的具体特征,包括预期的效果。
额外的材料
三维统计地图中可用NeuroVault服务:http://www.neurovault.org/collections/WTMVBEZP/。
利益冲突
作者宣称没有利益冲突有关的出版。
确认
这个项目已经收到了大学资助马德里卡洛斯三世大学,欧盟第七框架计划研究、技术开发和示范根据授权协议。600371年,埃尔Ministerio de隐藏y Competitividad (cofund2013 - 40258),和桑坦德银行。计算资源的研究提供的信号处理与墨洛珀坦佩雷理工大学计算系群坦佩雷理工大学。数据收集和共享为这个项目提供的国际财团大脑映射(洲际弹道导弹;首席研究员:约翰Mazziotta,医学博士、博士学位)。洲际弹道导弹的资金是由国家生物医学成像和生物工程研究所提供。洲际弹道导弹的实验室数据传播神经成像在南加州大学。