技术文章及通讯

加速神经成像数据分析以研究健康认知衰老

理查德·汉森和罗素·汤普森,剑桥大学


剑桥衰老与神经科学中心(cam)是2010年启动的一项大型研究项目,旨在了解个人如何才能最好地将认知能力保留到老年。Cam-CAN是一项跨学科的努力,来自心理学、神经科学、精神病学、工程学和公共卫生的研究人员使用各种脑成像技术,如结构和功能磁共振成像(MRI)和脑磁图(MEG),来测量与年龄相关的大脑结构和功能变化。随着年龄的增长,大脑的结构会发生巨大的变化(图1),那么有些人是如何在发生这些变化的情况下保持他们的许多认知能力的呢?

图1。结构磁共振成像图像显示了一个典型的19岁健康老人和一个典型的86岁健康老人的大脑的水平切片。

图1。结构MRI图像显示了一个典型的19岁健康老人(左)和一个典型的86岁健康老人(右)大脑的水平切片。老年人大脑中的黑洞(脑室)更大,因为灰质(环绕大脑边缘)和白质(剩余的较轻物质)随着时间的推移而缩小。

Cam-CAN有近3000名参与者,年龄从18岁到88岁不等,来自广泛的社会经济背景,是世界上同类项目中规模最大的项目之一。数据来自健康史和生活方式调查问卷、认知测试,以及700名参与者的MRI和MEG成像。每个参与者提供近1gb的数据,近1000张MRI图像,每张图像超过100,000个体素,MEG信号在数百个传感器上每毫秒记录30分钟。我们使用MATLAB®在高性能计算集群上处理数据,并应用先进的统计、优化和机器学习技术来解释数据并进行有意义的定量比较。

Cam-CAN数据处理

处理来自大型队列的MRI和MEG数据涉及许多步骤,例如共同注册不同类型的MRI图像,将它们扭曲到一个公共空间,平滑,并在每个体素上运行统计模型。解释MEG数据还需要将传感器与结构MRI图像共同注册,以便构建精确的头部模型。这导致了一个复杂的管道,有许多相互依赖的步骤。

为了管理和自动化这个多步骤管道,几个研究团队使用基于MATLAB的自动分析(AA)与MRC认知和脑科学部门的同事共同开发的软件包[1]。Cam-CAN数据集是AA的理想用例,因为它有异常多的参与者,并且必须为每个参与者处理各种各样的图像。使用AA,不太精通编程的研究人员可以对神经成像数据进行复杂的分析(图2)。AA管道由模块组装而成,每个模块执行一个步骤,并指定其输入和输出依赖项。AA处理引擎本质上是一个批处理系统,它管理这些依赖关系并跟踪已完成的步骤和剩余的步骤。如果管道过程中断,研究人员可以继续处理,而不必从头开始。

图2。用于功能MRI分析的AA管道的示例子集(图像由Cusack等人提供,2015年)。

图2。用于功能性MRI分析的AA管道的示例子集。图片由Cusack等人提供,2015年。

AA管道可以调用其他神经成像分析软件,包括统计参数映射(SPM)包中。SPM是另一个基于MATLAB的包,也是世界上使用最广泛的神经成像工具之一。

使用集群加速数据处理

虽然AA对于管理图像分析管道非常有用,但在一个完整的管道中执行所有步骤需要时间,特别是在一个涉及700人的项目中。为了加速这一过程,我们使用MATLAB Parallel Server™来处理1200核集群上的数据。因为单个参与者的大部分处理工作可以独立完成(也就是说,不影响其他参与者的处理),所以我们的分析是并行的,很容易在集群上并发执行。我们看到,随着分配给每个作业的核数的增加,计算速度几乎呈线性增长。

MATLAB并行服务器不仅减少了处理时间;它还降低了进入并行计算的门槛——考虑到我们剑桥MRC大脑和认知单元的科学家们广泛的技术能力,这是一个重要的考虑因素。在许多情况下,研究人员可以通过简单地更改循环到parfor循环。我们编写了脚本,使研究人员能够为各种作业大小选择默认的资源集,例如核数和每个核的RAM数量。由于MATLAB并行服务器通过插件脚本与Slurm调度器集成,因此很容易提交作业和管理由许多用户共享的集群。

用MATLAB分析Cam-CAN数据

在使用AA管道完成神经成像Cam-CAN数据的初始处理后,我们的研究人员可以应用统计和机器学习技术进行推断并获得见解。例如,一些研究人员使用统计和机器学习工具箱™试图从各种各样的大脑数据中预测每个参与者的年龄,以确定哪些大脑特征对预测年龄最重要。其他研究人员使用多变量线性回归和调节分析,试图找出哪些生活方式因素可以让一些人在年老时保持他们的认知能力,尽管他们的大脑在图1中显示了巨大的变化。一项研究表明,中年时参加的运动、爱好或社交活动对预测晚年的认知能力有独特的贡献,超过了教育程度。此外,老年人在生命早期参与的这些活动越多,他们的认知健康对大脑结构的依赖就越小(图3)。这表明,大脑可以在功能上适应与年龄相关的结构变化,中年活动对这种适应性尤其重要,有可能使人们在老年时保持更长时间的独立性。

图3。显示65岁以上Cam-CAN参与者子集中认知能力与脑健康结构MRI测量(“总灰质体积”)之间关系的图表,改编自Chan等人(2018)。

图3。显示65岁以上Cam-CAN参与者子集中认知能力与脑健康结构MRI测量(“总灰质体积”)之间关系的图表,改编自Chan等人(2018)。每个参与者都是一个圆点,圆点的颜色表示他们在中年时是否参加了高水平(蓝色)或低水平(红色)的工作之外的活动。

进一步的研究

神经科学是剑桥大学跨学院研究的一个非常活跃的领域享誉盛名的跨学科研究中心.本地Cam-CAN团队的成员已经根据Cam-CAN存储库中的数据发表了大量论文。此外,数据的匿名版本可按要求提供,并已由全世界成百上千的科学家

我们目前正在寻找额外的资金对原始组的参与者进行后续测试,随着他们年龄的增长,以提供纵向数据。我们还将Cam-CAN数据与类似的脑成像相结合欧洲各地的人群将数据从数百个大脑扫描增加到数万个。样本量的增加对于分析很重要,例如,基于志愿者捐赠的样本,遗传学的作用。理解健康的衰老对于理解“不健康的”衰老也很重要,比如阿尔茨海默病和其他形式的痴呆症。

作者简介

理查德·汉森(Richard Henson)是英国医学研究委员会认知与脑科学部门(CBU)的副主任,也是剑桥大学精神病学的认知神经科学教授。

拉塞尔·汤普森(Russell Thompson)是CBU的IT经理。

2020年出版的

参考文献

  • [1]库萨克,R., Vicente-Grabovetsky, A.,米切尔,d.j.,怀尔德,c.j.,奥尔,T.,林克,A.C.和皮尔,J.E.(2015)。“自动分析(aa):使用MATLAB和XML的高效神经成像工作流程和并行处理。”神经信息学前沿.https://doi.org/10.3389/fninf.2014.00090

    [2] Chan, D., Shafto, M., Kievit, R., Matthews, F., Spink, M., Valenzuela, M., Cam-CAN & Henson, R.N.(2018)。“中年的生活方式活动有助于晚年的认知储备,与教育、职业和晚年活动无关。”衰老神经生物学, 70, 180-183。https://doi.org/10.1016/j.neurobiolaging.2018.06.012