Resting-state functional magnetic resonance imaging: features of statistical processing of ROI-analysis data

封面

如何引用文章

全文:

详细

BACKGROUND: In many works, to study intra- and inter-network connections, a method for constructing networks is used — ROI-analysis (region of interest analysis). The conflicting results obtained when assessing brain connectivity using ROI-analysis can be explained by methodological differences associated with the statistical processing of fMRI data. In this regard, it is relevant to conduct a study with a comparative assessment of various statistical methods of ROI-analysis in processing resting state fMRI data.

AIM: to assess the functional connectivity of the main resting state networks of the brain using ROI-analysis using various statistical approaches.

MATERIALS AND METHODS: We analyzed data from 15 resting-state fMRI studies of the brain of patients without neurological and mental pathology. fMRI scanning was performed on a Phillips Ingenia 1.5 T scanner using a gradient echo-planar imaging (EPI-BOLD) sequence. ROI-analysis was used to build networks. Statistical data processing was performed using methods: functional network connectivity, randomization/permutation spatial pairwise clustering statistics, and threshold-free cluster enhancement.

RESULTS: The number of connections between the structures of brain networks recorded using the method of functional network connectivity is 280, spatial pairwise clustering — 186, threshold-free cluster enhancement — 182. An interesting fact is that negative connections were identified only when using parametric statistics.

CONCLUSION: A comparative assessment of methods for statistical processing of fMRI data during ROI-analysis was carried out. The functional network connectivity method based on multivariate parametric statistics turned out to be more informative than randomization/permutation spatial pairwise clustering statistics and the method based on threshold-free cluster enhancement. Despite the growing popularity in recent years of resting-state fMRI in the study of functional activity and connectivity of the brain, there are no standardized algorithms for constructing networks of the brain.

作者简介

Shamil’ Abdulaev

Military Medical Academy

编辑信件的主要联系方式.
Email: izvestiavmeda@mail.ru
ORCID iD: 0000-0002-5126-4212
俄罗斯联邦, Saint Petersburg

Dmitriy Tarumov

Military Medical Academy

Email: izvestiavmeda@mail.ru
ORCID iD: 0000-0002-9874-5523

MD, Dr. Sci. (Medicine), Associate Professor

俄罗斯联邦, Saint Petersburg

Kirill Markin

Military Medical Academy

Email: izvestiavmeda@mail.ru
ORCID iD: 0000-0002-6242-1279
俄罗斯联邦, Saint Petersburg

Aleksandra Ustyuzhina

Military Medical Academy

Email: izvestiavmeda@mail.ru
ORCID iD: 0009-0003-7282-0163
俄罗斯联邦, Saint Petersburg

参考

  1. Kremneva EI, Sinitsyn DO, Dobrynina LA, et al. Resting state functional MRI in neurology and psychiatry. S.S. Korsakov Journal of Neurology and Psychiatry. 2022;122(2):5–14. (In Russ.) EDN: FWPFIM doi: 10.17116/jnevro20221220215
  2. Abdulaev ShK, Tarumov DA, Shamrey VK, et al. Functional impairments in large-scale brain projects in opioid addiction. S.S. Korsakov Journal of Neurology and Psychiatry. 2023;123(5):165–170. (In Russ.) EDN: SWMZBG doi: 10.17116/jnevro2023123051165
  3. Ublinskiy MV, Semenova NA, Manzhurtsev AV, et al. Dysfunction of cerebellum functional connectivity between default mode network and cerebellar structures in patients with mild traumatic brain injury in acute stage. rsfMRI study. Medical Visualization. 2020;24(2):131–137. (In Russ.) EDN: OEKCXT doi: 10.24835/1607-0763-2020-2-131-137
  4. Friston K, Brown HR, Siemerkus J, Stephan KE. The dysconnection hypothesis. Schizophr Res. 2016;176(2–3):83–94. doi: 10.1016/j.schres.2016.07.014
  5. Menon V. Large-Scale brain networks and psychopathology: a unifying triple network model. Trends Cogn Sci. 2011;15(10): 483–506. doi: 10.1016/j.tics.2011.08.003
  6. Littow H, Huossa V, Karjalainen S, et al. Aberrant functional connectivity in the default mode and central executive networks in subjects with schizophrenia — a whole-brain resting-state ICA study. Front Psychiatry. 2015;6:26. doi: 10.3389/fpsyt.2015.00026
  7. Bastos-Leite AJ, Ridgway GR, Silveira C, et al. Dysconnectivity within the default mode in first-episode schizophrenia: a stochastic dynamic causal modeling study with functional magnetic resonance imaging. Schizophr Bull. 2015;41(1):144–153. doi: 10.1093/schbul/sbu080
  8. Rong B, Huang H, Gao G, et al. Widespread intra- and inter-network dysconnectivity among large-scale resting state networks in schizophrenia. J Clin Med. 2023;12(9):3176. doi: 10.3390/jcm12093176
  9. Kornelsen J, Wilson A, Labus JS, et al. Brain resting-state network alterations associated with crohn’s disease. Front Neurol. 2020;11:48. doi: 10.3389/fneur.2020.00048
  10. Bukkieva ТА, Chegina DS, Еfimtsev АYu, et al. Resting state functional MRI. General issues and clinical application. Russian Electronic Journal of Radiology. 2019;9(2):150–170. (In Russ.) EDN: IKLSOY doi: 10.21569/2222-7415-2019-9-2-150-170
  11. Nieto-Castanon A. Handbook of functional connectivity Magnetic Resonance Imaging methods in CONN. Boston, MA: Hilbert Press; 2020. doi: 10.56441/hilbertpress.2207.6598
  12. Whitfield-Gabrieli S, Nieto-Castanon A. Conn: A Functional connectivity toolbox for correlated and anticorrelated brain networks. Brain Connect. 2012;2(3):125–141. doi: 10.1089/brain.2012.0073
  13. Behzadi Y, Restom K, Liau J, Liu TT. A Component based noise correction method (CompCor) for BOLD and perfusion based FMRI. Neuroimage. 2007;37(1):90–101. doi: 10.1016/j.neuroimage.2007.04.042
  14. Jafri MJ, Pearlson GD, Stevens M, Calhoun VD. A method for functional network connectivity among spatially independent resting state components in schizophrenia. Neuroimage. 2008;39(4): 1666–1681. doi: 10.1016/j.neuroimage.2007.11.001
  15. Zalesky A, Fornito A, Bullmore ET. Network-based statistic: identifying differences in brain networks. Neuroimage. 2010;53(4): 1197–1207. doi: 10.1016/j.neuroimage.2010.06.041
  16. Bar-Joseph Z, Gifford DK, Jaakkola TS. Fast optimal leaf ordering for hierarchical clustering. Bioinformatics. 2001;17(suppl 1):S22–S29. EDN: ILDQBF doi: 10.1093/bioinformatics/17.suppl_1.s22
  17. Smith SM, Nichols TE. Threshold-free cluster enhancement: addressing problems of smoothing, threshold dependence and localisation in cluster inference. Neuroimage, 2009;44(1):83–98. doi: 10.1016/j.neuroimage.2008.03.061

补充文件

附件文件
动作
1. JATS XML
下载

版权所有 © Eco-Vector, 2024

Creative Commons License
此作品已接受知识共享署名-非商业性使用-禁止演绎 4.0国际许可协议的许可。

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».