♻️تغییرات قابل توجه در #خردساختارهای #مغز #انسان در گذر از #بزرگسالی به #میانسالی
#Microstructural #Changes of the #Human #Brain from Early to #Mid-Adulthood
دانشمندان نوروسانیس دانشگاه پک 🇨🇳 در پژوهشی که به تازگی نتایج آن منتشر شده است، دریافتند از شروع بزرگسالی تا میانسالی، تغییرات معتنابهی در ساختارهای خرد مغزی صورت می گیرد تا حدی که می توان بر اساس ساختار مغزی فرد، سن وی را به طور دقیق تخمین زد.
🔬این پژوهش بر #DTI (نوع خاصی از #MRI) بیش از 111 داوطلب بین 18 تا 55 سال اجرا شد ت. در روش DTI می توان به #تصویربرداری و #نقشه پردازی #ساختار #مغز برای سنجش شاخص هایی نظیر #ناهمسانگردی های خرد پرداخت که بر اساس #ابعاد، #چگالی و #اتصال #رشته های #عصبی در بخش های مختلف مغز محاسبه می شود. نواحی مغزی تغییرات ثبت شده در این پژوهش مرتبط با موارد #زوال #شناختی نظیر افزایش #زمان #واکنش، #توانایی های #استدلال، و #حافظه هستند.
Abstract
The aim of this study was to investigate the #microstructural #changes of the human brain from early to mid-adulthood. We performed two sets of analyses based on the #diffusion #tensor #imaging (#DTI) data of 111 adults aged 18–55 years. Specifically, we first correlated age with #skeletonized #fractional #anisotropy (#FA), #mean #diffusivity (#MD), #axial diffusivity (#AD) and #radial diffusivity (#RD) at global and #regional level, and then estimated individuals’ ages based on each DTI #metric using #elastic #net, a kind of #multivariate #pattern #analysis (#MVPA) method that aims at selecting the model that achieves the best trade-off between #goodness of #fit and #model #complexity. We observed statistically significant negative age-vs-FA correlations and relatively less changes of MD. The negative age-vs-FA correlations were associated with negative age-vs-AD and positive age-vs-RD correlations. Regional negative age-vs-FA correlations were observed in the #bilateral #genu of the #corpus #callosum (#CCg), the #corticospinal #tract (#CST), the #fornix and several other tracts, and these negative correlations may indicate the earlier changes of the fibers with #aging. In brain age estimation, the chronological-vs-estimated-age correlations based on FA, MD, AD and RD were R = 0.62, 0.44, 0.63 and 0.69 (P = 0.002, 0.008, 0.002 and 0.002 based on 500 permutations), respectively, and these results indicate that even the microstructural changes from early to mid-adulthood alone are sufficiently specific to decode individuals’ ages. Overall, the current results not only demonstrated statistically significant FA decreases from early to mid-adulthood and clarified the driving factors of the FA decreases (RD increases and AD decreases, in contrast to increases of both measures in late-adulthood), but highlighted the necessity of considering age effects in related studies.
لینک منبع 👇🏻(further reading)👇🏻
http://journal.frontiersin.org/article/10.3389/fnhum.2017.00393/full
✅(در صورت جذابیت و علاقمندی به موضوع، مطلب را برای دیگران نیز بازنشر فرمایید).
📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
@DrAmirMohammadShahsavarani
#Microstructural #Changes of the #Human #Brain from Early to #Mid-Adulthood
دانشمندان نوروسانیس دانشگاه پک 🇨🇳 در پژوهشی که به تازگی نتایج آن منتشر شده است، دریافتند از شروع بزرگسالی تا میانسالی، تغییرات معتنابهی در ساختارهای خرد مغزی صورت می گیرد تا حدی که می توان بر اساس ساختار مغزی فرد، سن وی را به طور دقیق تخمین زد.
🔬این پژوهش بر #DTI (نوع خاصی از #MRI) بیش از 111 داوطلب بین 18 تا 55 سال اجرا شد ت. در روش DTI می توان به #تصویربرداری و #نقشه پردازی #ساختار #مغز برای سنجش شاخص هایی نظیر #ناهمسانگردی های خرد پرداخت که بر اساس #ابعاد، #چگالی و #اتصال #رشته های #عصبی در بخش های مختلف مغز محاسبه می شود. نواحی مغزی تغییرات ثبت شده در این پژوهش مرتبط با موارد #زوال #شناختی نظیر افزایش #زمان #واکنش، #توانایی های #استدلال، و #حافظه هستند.
Abstract
The aim of this study was to investigate the #microstructural #changes of the human brain from early to mid-adulthood. We performed two sets of analyses based on the #diffusion #tensor #imaging (#DTI) data of 111 adults aged 18–55 years. Specifically, we first correlated age with #skeletonized #fractional #anisotropy (#FA), #mean #diffusivity (#MD), #axial diffusivity (#AD) and #radial diffusivity (#RD) at global and #regional level, and then estimated individuals’ ages based on each DTI #metric using #elastic #net, a kind of #multivariate #pattern #analysis (#MVPA) method that aims at selecting the model that achieves the best trade-off between #goodness of #fit and #model #complexity. We observed statistically significant negative age-vs-FA correlations and relatively less changes of MD. The negative age-vs-FA correlations were associated with negative age-vs-AD and positive age-vs-RD correlations. Regional negative age-vs-FA correlations were observed in the #bilateral #genu of the #corpus #callosum (#CCg), the #corticospinal #tract (#CST), the #fornix and several other tracts, and these negative correlations may indicate the earlier changes of the fibers with #aging. In brain age estimation, the chronological-vs-estimated-age correlations based on FA, MD, AD and RD were R = 0.62, 0.44, 0.63 and 0.69 (P = 0.002, 0.008, 0.002 and 0.002 based on 500 permutations), respectively, and these results indicate that even the microstructural changes from early to mid-adulthood alone are sufficiently specific to decode individuals’ ages. Overall, the current results not only demonstrated statistically significant FA decreases from early to mid-adulthood and clarified the driving factors of the FA decreases (RD increases and AD decreases, in contrast to increases of both measures in late-adulthood), but highlighted the necessity of considering age effects in related studies.
لینک منبع 👇🏻(further reading)👇🏻
http://journal.frontiersin.org/article/10.3389/fnhum.2017.00393/full
✅(در صورت جذابیت و علاقمندی به موضوع، مطلب را برای دیگران نیز بازنشر فرمایید).
📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
@DrAmirMohammadShahsavarani
Frontiers
Microstructural Changes of the Human Brain from Early to Mid-Adulthood
Despite numerous studies on the microstructural changes of the human brain throughout life, we have indeed little direct knowledge about the changes from early to mid-adulthood. The aim of this study was to investigate the microstructural changes of the human…
♻️روشی جدید برای #طبقه_بندی بیماران مبتلا به #آلزایمر
A #comprehensive #analysis of #resting #state #fMRI measures to #classify individual #patients with #Alzheimer's disease
پژوهشگران نوروساینس دانشگاه لایدن 🇱🇺 و دانشگاه گراتز 🇦🇹 در پژوهشی که به تازگی منتشر شده است، شیوه ای نوین برای طبقه بندی بیماران دارای آلزایمر ابداع نموده اند.
🔬در این روش #fMRI وضعیت #استراحت #مغزی 77 فرد مبتلا به آلزایمر با 173 نفر داوطلب سالم کنترل مقایسه شد. برای بررسی و طبقه بندی از الگوهای #ارتباط #کارکردی (FC) و پویش های ارتباط کارکردی (FCD) استفاده شد.
تحلیل ها نشانگر 10 شاخص برای طبقه بندی بیماران بودند. بر این اساس 31 طبقه مختلف از #کارکردمغزی در حالت #استراحت برای #آلزایمر بدست آمد؛ نتایج تفصیلی در لینک منبع ارائه شده اند.
Abstract
#Alzheimer's disease (#AD) patients show altered patterns of #functional #connectivity (#FC) on #resting #state #functional #magnetic #resonance #imaging (#RSfMRI) scans. It is yet unclear which RSfMRI measures are most informative for the individual classification of AD patients. We investigated this using RSfMRI scans from 77 AD patients (MMSE = 20.4 ± 4.5) and 173 controls (MMSE = 27.5 ± 1.8). We calculated i) FC matrices between resting state components as obtained with #independent #component #analysis (#ICA), ii) the dynamics of these FC matrices using a sliding window approach, iii) the graph properties (e.g., connection degree, and clustering coefficient) of the FC matrices, and iv) we distinguished five FC states and administered how long each subject resided in each of these five states. Furthermore, for each voxel we calculated v) FC with 10 resting state networks using #dual #regression, vi) FC with the #hippocampus, vii) #eigenvector centrality, and viii) the #amplitude of #low #frequency #fluctuations (#ALFF). These eight measures were used separately as predictors in an #elastic #net #logistic #regression, and combined in a #group #lasso #logistic #regression model. We calculated the area under the receiver operating characteristic curve plots (#AUC) to determine classification performance. The AUC values ranged between 0.51 and 0.84 and the highest were found for the FC matrices (0.82), FC dynamics (0.84) and ALFF (0.82). The combination of all measures resulted in an AUC of 0.85. We show that it is possible to obtain moderate to good AD classification using RSfMRI scans. FC matrices, FC dynamics and ALFF are most discriminative and the combination of all the resting state measures improves classification accuracy slightly.
لینک منبع 👇🏻(further reading)👇🏻
https://doi.org/10.1016/j.neuroimage.2017.11.025
✅(در صورت جذابیت و علاقمندی به موضوع، مطلب را برای دیگران نیز بازنشر فرمایید).
📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
@DrAmirMohammadShahsavarani
A #comprehensive #analysis of #resting #state #fMRI measures to #classify individual #patients with #Alzheimer's disease
پژوهشگران نوروساینس دانشگاه لایدن 🇱🇺 و دانشگاه گراتز 🇦🇹 در پژوهشی که به تازگی منتشر شده است، شیوه ای نوین برای طبقه بندی بیماران دارای آلزایمر ابداع نموده اند.
🔬در این روش #fMRI وضعیت #استراحت #مغزی 77 فرد مبتلا به آلزایمر با 173 نفر داوطلب سالم کنترل مقایسه شد. برای بررسی و طبقه بندی از الگوهای #ارتباط #کارکردی (FC) و پویش های ارتباط کارکردی (FCD) استفاده شد.
تحلیل ها نشانگر 10 شاخص برای طبقه بندی بیماران بودند. بر این اساس 31 طبقه مختلف از #کارکردمغزی در حالت #استراحت برای #آلزایمر بدست آمد؛ نتایج تفصیلی در لینک منبع ارائه شده اند.
Abstract
#Alzheimer's disease (#AD) patients show altered patterns of #functional #connectivity (#FC) on #resting #state #functional #magnetic #resonance #imaging (#RSfMRI) scans. It is yet unclear which RSfMRI measures are most informative for the individual classification of AD patients. We investigated this using RSfMRI scans from 77 AD patients (MMSE = 20.4 ± 4.5) and 173 controls (MMSE = 27.5 ± 1.8). We calculated i) FC matrices between resting state components as obtained with #independent #component #analysis (#ICA), ii) the dynamics of these FC matrices using a sliding window approach, iii) the graph properties (e.g., connection degree, and clustering coefficient) of the FC matrices, and iv) we distinguished five FC states and administered how long each subject resided in each of these five states. Furthermore, for each voxel we calculated v) FC with 10 resting state networks using #dual #regression, vi) FC with the #hippocampus, vii) #eigenvector centrality, and viii) the #amplitude of #low #frequency #fluctuations (#ALFF). These eight measures were used separately as predictors in an #elastic #net #logistic #regression, and combined in a #group #lasso #logistic #regression model. We calculated the area under the receiver operating characteristic curve plots (#AUC) to determine classification performance. The AUC values ranged between 0.51 and 0.84 and the highest were found for the FC matrices (0.82), FC dynamics (0.84) and ALFF (0.82). The combination of all measures resulted in an AUC of 0.85. We show that it is possible to obtain moderate to good AD classification using RSfMRI scans. FC matrices, FC dynamics and ALFF are most discriminative and the combination of all the resting state measures improves classification accuracy slightly.
لینک منبع 👇🏻(further reading)👇🏻
https://doi.org/10.1016/j.neuroimage.2017.11.025
✅(در صورت جذابیت و علاقمندی به موضوع، مطلب را برای دیگران نیز بازنشر فرمایید).
📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
@DrAmirMohammadShahsavarani