《脑成像数据的元分析ALE原理与操作ppt课件.pptx》由会员分享，可在线阅读，更多相关《脑成像数据的元分析ALE原理与操作ppt课件.pptx（43页珍藏版）》请在三一办公上搜索。
1、脑成像的元分析研究：基于坐标点的元分析方法,报告人：封春亮单位：北京师范大学，脑与认知科学研究院,脑成像元分析的背景简介,脑成像数据元分析的发展,元分析 (Glass, 1976),“将现有研究整合并对其结果进行综合分析的统计方法”,脑成像数据元分析的发展,(胡传鹏等, 2015),脑成像研究的数量,脑成像数据元分析的发展,元分析对脑成像研究的意义 (Wager et al., 2007; Eickhoff et al., 2009),单个脑成像研究的被试数量普遍较少，结果不够稳定；单个脑成像的结果很可能受到特定的实验操作（如，扫描参数）的影响；单个脑成像研究对某个脑区功能的解释往往局限于使用
2、的单个或几个任务。 (e.g., vmPFC=self-reflection?),-单个脑成像研究的局限性,(Wager et al., 2007),脑成像数据元分析的发展,脑成像技术：where? (位置信息),坐标信息 (x, y, z),最大激活点的坐标(x, y, z),脑成像数据元分析的发展,脑成像的元分析：对不同研究中位置信息的整合,早期脑成像数据的 “元分析”：对不同研究中报告的位置信息的主观描绘,(Peyron, 2000),(Joseph, 2000),Activation likelihood estimation (激活似然性估计，ALE, Turkeltaub et a
3、l., 2002),目标：最大化地量化研究间位置信息的一致性；尽可能减小分析方法的主观性。,脑成像数据元分析的发展,ALE的计算 (Turkeltaub et al., 2002),概念：把每个激活点拟合成一个概率分布 也即这个激活点落在大脑每个voxel上的概率大小：与激活点越近的voxel，概率越大。,脑成像数据元分析的发展,文献中报告的激活点,ALE的计算 (Turkeltaub et al., 2002),脑成像数据元分析的发展,ALE：至少有一个激活点落在某个voxel内的概率。,相关研究中报告的所有激活点,ALE的统计检验 (Turkeltaub et al., 2002),Per
4、mutation test (置换检验),零假设：激活点没有重合，所有重合都是随机因素导致的假设元分析采集到了100个坐标（激活点）；则产生100个随机坐标，然后根据这些随机坐标计算出大脑中每个voxel在零假设下的ALE值（如，重复1000次，然后求均值）产生零假设分布；通过比较实际ALE值与随机坐标产生的ALE值，来确定显著性。,脑成像数据元分析的发展,ALE的统计检验 (Turkeltaub et al., 2002),Permutation test (置换检验),在H0分布下，ALE为5.7210-3的概率为0.0001。因此，如果设置=0.0001为显著水平，那ALE值大于5.72
5、10-3的voxel都视为显著（也即至少有一个激活点落在这个voxel内）。,脑成像数据元分析的发展,ALE的优点 (Turkeltaub et al., 2002),自动化的分析 除了位置信息外，也有对一致性水平的量化 (ALE值) 具备显著性检验，得到的结论有统计上的支持,脑成像数据元分析的发展,早期ALE算法的缺点：,以激活点为单位，在每个voxel上，求出所有激活点对应概率的联合概率（即ALE值）。 忽略了研究间的变异，属于固定效应的统计推断 (fixed-effects inference): 元分析的结论不能推广到该元分析未包含的研究 (胡传鹏等, 2015; Eickhoff e
6、t al., 2009)。 报告了较多激活点的研究对元分析的影响更大，甚至主导元分析的结果 (Wager et al., 2007)。,脑成像数据元分析的发展,ALE的改进算法 (Eickhoff et al., 2009),脑成像数据元分析的发展,第一步：在每个实验的内部先做一次整合,类比：把每个实验看做一个“被试”；每个voxel看做一个实验条件；每个实验报告出来的激活点看做一个采集到的数据点。,第一步的整合 “” 对每个被试各个条件下的所有数据点求和。,第一步整合的结果：每个实验在每个voxel上，都有只一个MA/ALE值。,脑成像数据元分析的发展,第二步：以实验 (“被试”)为单位，计
7、算每个voxel上的总ALE值，并做统计检验。,结果：每个voxel的总ALE值,置换检验：零分布：从每个实验的MA图中各自随机抽一个坐标点和对应的MA值，根据这些MA值算出一个总ALE值。重复1011次，每次能得到一个总ALE值。构建出零分布。根据不同ALE值在零分布中出现的概率，确定显著性水平。,ALE的改进算法 (Eickhoff et al., 2009),ALE算法进一步的优化：,脑成像数据元分析的发展,Eickhoff et al., 2012 (NeuroImage): 以MA值为单位代替以voxel为单位，减少了迭代次数，加快了运算速度；Turkeltaub et al., 2
8、012 (Human Brain Mapping): 取最大值代替求和的方法，进一步减少单个实验对结果的影响。,脑成像元分析的步骤,脑成像元分析的步骤,脑成像元分析的步骤,1. GingerALE: https:/www.brainmap.org/ale/,(邓沁丽, 2015),脑成像元分析的步骤,使用到的软件：,脑成像元分析的步骤,使用到的软件：,2. Mango: rii.uthscsa.edu/mango,用于结果呈现,第一步：选好主题，查找和筛选文献,1.1. 选好元分析的主题,工作记忆 (Nee et al., 2013);Go/No-go 任务 (2008);奖赏加工 (Bart
9、ra et al., 2013);社会决策 (Feng et al., 2015).,共情与自身疼痛感受是否 基于共同的神经机制 (Lamm et al., 2011);自传体记忆、展望未来、心理理论以及默认网络是否基于共同的神经机制 (Spreng et al., 2009);初级和次级奖赏的加工是否基于共同的神经机制 (Sescousse et al., 2013)自己接受奖赏与观看别人接受奖赏是否基于共同的神经机制 (Morelli et al., 2015);,“共性”,脑成像元分析的步骤,单个任务对应的神经机制：,多个任务共同的神经机制：,第一步：选好主题，查找和筛选文献,1.2.
10、查找和筛选文献,查找途径： google学术 (https:/ http:/scholar.glgoo.org/) PubMed (http:/www.ncbi.nlm.nih.gov/pubmed/) ISI Web of Science (http:/ 已查找文献的引用列表 相关领域综述的引用列表,文献筛选： 被试群体：如，正常成人被试； 是否使用fMRI技术； 使用的是全脑(whole-brain)分析，而不是感兴趣区(ROI)分析； 报告了感兴趣的统计结果； 激活坐标报告在标准空间里 (如MNI，Talairach).,脑成像元分析的步骤,查找内容： 与主题相关的几个关键词 fMRI/
11、functional fairness/fair/ultimatum game,第二步：采集坐标点,需要提供的信息（规定的格式）： 标准空间的类型（第一行）：MNI或者Talairach; 文献信息： / 作者名，年份等； / Subjects=N (被试量的信息) 坐标点。每个点一行 不同文献之间需要有一个空行； 注意MNI与Talairach空间之间的转换。,脑成像元分析的步骤,第三步：使用GingerALE进行元分析,3.1. 计算ALE (activation-likelihood-estimation),脑成像元分析的步骤,Eickhoff et al., 2012 (NeuroIm
12、age): Turkeltaub et al., 2012 (Human Brain Mapping):,内置在GingerALE软件里的算法,第三步：使用GingerALE进行元分析,3.2. 矫正结果： Settings,脑成像元分析的步骤,第三步：使用GingerALE进行元分析,3.2. 矫正结果,关于FDR的bug (在2.3.3以后的版本中更正)FDR矫正的原理： 假设有N个比较，对应有N个p值。 i). 所有p值从小到大排序：p(1), p(2), p(3).p(N)；ii). 若想控制FDR不能超过q，则只需找到最大的正整数i，使得 p(i)= (i*q)/N.然后，挑选对应p
13、(1),p(2),.,p(i)的比较做为有显著差异的比较，这样就能从统计学上保证FDR不超过q。,脑成像元分析的步骤,第三步：使用GingerALE进行元分析,3.3. 选择输出结果的路径,Tools Preferences,脑成像元分析的步骤,第三步：使用GingerALE进行元分析,3.3. 点击 “Compute”，进行运算。,脑成像元分析的步骤,第三步：使用GingerALE进行元分析,3.4. 查看输出文件,ALE图像: *_ALE.niiP值图像: *_P.nii矫正后的ALE图像: *_ALE_pID05.niicluster图像: *_clust.nii,3.4.1. 图像文件
14、,脑成像元分析的步骤,第三步：使用GingerALE进行元分析,3.4. 查看输出文件,cluster表格(*_cluster.xls)参数和统计信息(*_cluster.txt) 1. 使用的参数； 2. 每个cluster内，更详尽的label信息 3. 每个文献对各个cluster的贡献值,3.4.2. 文本文件,脑成像元分析的步骤,第四步：使用Mango软件呈现元分析结果 (rii.uthscsa.edu/mango),4.1. 打开模板图像：,open open Image选择推荐的模板： Colin27_T1_seg_MNI.nii Colin27_T1_seg_MNI_2x2x2
15、.nii,脑成像元分析的步骤,第四步：使用Mango软件呈现元分析结果,4.2. 打开矫正后的ALE图像：,file Add Overlay选择矫正后的ALE图像：*_ALE_pID.niiEdit update to Image Range (重要) 选择Atlas, 如图a所示。选择主窗口(main slice)呈现的方位： view main slice 想要的方位选择是否需要十字准线： view main crosshairs保存主窗口的图像： Image create snapshot,图a,脑成像元分析的步骤,第五步：做contrast和conjunction分析对比两个任务,5.
16、1. 根据步骤三，计算出两个任务各自的ALE,5.2. 合并两个任务的坐标点 (可以直接复制粘贴) 打开GingerALE, 选择“contrast studies”； 在Data Set 1 Open ALE Image 2 保存两个任务的坐标点； File Merge & Save Foci (如 pooled.txt),脑成像元分析的步骤,第五步：做contrast和conjunction分析对比两个任务,5.3. 根据步骤三，计算出两个任务合并的ALE (pooled.txt),5.4. 根据5.15.3得到的ALE图像，做contrast 和conjunction分析 打开Ginge
17、rALE, 选择“contrast studies”； 在Data Set 1 Open ALE Image 2 在Pooled Data Sets里选择两个任务合并后的ALE图像； File Open Pooled ALE Image 选好相应的矫正方法和输出文件名，点击 “Compute”.,脑成像元分析的步骤,第五步：做contrast和conjunction分析对比两个任务,5.4. 查看输出文件,5.4.1. 有关contrast分析的输出文件 (task1-task2; task2-task1) 未矫正的ALE图像: *_ALE.nii P值图像: *_P.nii； 矫正后的图像(
18、由ALE值转换成的z值图像):如 *_Z_pID05.nii； cluster图像：*_cluster.nii 文本文件(.xls, .txt)。,脑成像元分析的步骤,第五步：做contrast和conjunction分析对比两个任务,5.4. 查看输出文件,5.4.2. 有关conjunction分析的输出文件 (task1-conj-task2) 已矫正的ALE图像: *_ALE.nii cluster图像：*_cluster.nii ； 文本文件(.xls, .txt)。,脑成像元分析的步骤,基于坐标的元分析,一个具体的例子,主题： 人们被不公平对待时的神经机制 人们对他人做出不公平行为
19、时的神经机制 以上两种任务是否存在相同的神经机制,基于坐标的元分析,任务： 最后通牒游戏 (ultimatum game)的应对者: 不公平对待 公平对待 信任游戏 (trust game)的被投资者: 返还决定时的脑活动,文献查找： Google学术, PubMed等,基于坐标的元分析,关键词：normative decision making, fair, altruistic punishment, ultimatum game, trust, trust game, investment game, trustor, investor, trustee, trustworthiness, reciprocity, fMRI, magnetic resonance imaging, neuroimaging,文献编码：,基于坐标的元分析,任务一：UG_unfair_vs_fiar_main_effect.txt任务二：TG_trustee_decision_making.txt,P 0.05, FDR-corrected at the voxel level;Mini. Cluster size = 300 mm3,基于坐标的元分析,结果：,写文章：,基于坐标的元分析,
