Concepto
NiMARE:
NiMARE (Neuroimaging Meta‑Analysis Research Environment) Se trata de una biblioteca-código abierto de python que ofrece un entorno de investigación de metanálisis de neuroimágenes gracias a implementar una variedad de algoritmos de metanálisis, incluyendo análisis de metadatos basados en coordenadas y en imágenes, anotación automatizada, decodificación funcional y modelado de coactivación meta-analítica.
Forma parte también de un creciente ecosistema de análisis de neuroimagen como es Neurosynth, NeuroVault, NeuroQuery y PyMARE.
NiMARE funciona con las versiones de Python 3.6 y superiores, y se puede instalar fácilmente con pip. Está diseñado para ser modular y orientado a objetos, con una interfaz que imita a las bibliotecas populares de Python, incluyendo scikit‑learn (implementa una gran cantidad de algoritmos de aprendizaje automático) y nilearn.
Presenta varios módulos: nimare.meta, nimare.correct, nimare.annotate, nimare.decode y nimare.workflows.
Funciona a través de un servicio de APIs. Los datos que se van a manipular se encuentran dentro de la clase DATASET y hay dos formas de operar el dataset: 1) Uso de la clase Transformer: Realiza alguna transformación en el dataset.
2) Estimator aplican un algoritmo metaanalítico a un Dataset y devuelven un conjunto de imágenes estadísticas almacenadas en una clase contenedora MetaResult.
Se compone actualmente de 14 módulos:
- nimare.dataset define la clase Dataset.
- nimare.meta incluye Estimadores para métodos de metaanálisis basados en coordenadas e imágenes.
- nimare.results define la clase MetaResult, que almacena mapas estadísticos producidos por metaanálisis.
- nimare.correct implementa clases Corrector para la corrección de comparaciones múltiples de errores familiares (FWE) y tasa de descubrimiento falso (FDR).
- nimare.annotate implementa una variedad de métodos de anotación automatizada, incluyendo la asignación latente de Dirichlet (LDA) y la asignación latente de Dirichlet de correspondencia generalizada (GCLDA).
- nimare.decode implementa una serie de algoritmos de decodificación y codificación funcional metaanalítica.
- nimare.io proporciona funciones para convertir estructuras de conjuntos de datos metaanalíticos alternativos, como archivos de texto de Sleuth o Conjuntos de Datos de Neurosynth, al formato de NiMARE.
- nimare.transforms implementa una variedad de transformaciones espaciales y de tipo de datos, incluyendo una función para generar nuevas imágenes en el Conjunto de Datos a partir de tipos de imágenes existentes.
- nimare.extract proporciona métodos para obtener Conjuntos de Datos y modelos a través de Internet.
- nimare.generate incluye funciones para generar datos para pruebas internas y validación.
- nimare.base define varias clases base utilizadas en todo el paquete.
- nimare.stats y nimare.utils son módulos para funciones estadísticas y utilitarias genéricas.
Otros aspectos
¿Qué datos utiliza?
El metaanálisis basado en coordenadas (CBMA) es actualmente el método más popular para el metaanálisis de neuroimagen, dado que la mayoría de los artículos de fMRI actualmente informan sus hallazgos como picos de conglomerados estadísticamente significativos en un espacio estándar y no liberan mapas estadísticos sin umbral.
Estos picos indican dónde se encontraron resultados significativos en el cerebro y, por lo tanto, no reflejan una estimación del tamaño del efecto para cada prueba de hipótesis (es decir, cada voxel) como se esperaría en un metaanálisis típico. Como tal, no se pueden aplicar los métodos estándar para el metaanálisis basado en el tamaño del efecto. En las últimas dos décadas, se han desarrollado varios algoritmos para determinar si los picos convergen con el fin de identificar ubicaciones de activación consistente o específica asociada con una hipótesis dada.
Los métodos basados en kernel evalúan la convergencia de coordenadas en estudios mediante la convolución de focos con un kernel espacial para producir mapas de activación modelados específicos de cada estudio, luego combinan esos mapas de activación modelados en un mapa por muestra, que se compara con una distribución nula para evaluar la significación estadística a nivel de vóxel. Los kernels de CBMA están disponibles como KernelTransformers en el módulo nimare.meta.kernel. Actualmente, hay tres kernels estándar disponibles: MKDAKernel, KDAKernel y ALEKernel. Cada clase se puede configurar con ciertos parámetros cuando se inicializa un nuevo objeto. Por ejemplo, MKDAKernel acepta un parámetro r, que determina el radio de las esferas que se crearán alrededor de cada coordenada de pico. El análisis de densidad de Kernel multinivel (MKDA) es un método basado en Kernel que convoluciona cada pico de cada estudio con una esfera binaria de un radio establecido. Estos mapas binarios específicos de pico se combinan luego en mapas específicos de estudio tomando el valor máximo para cada voxel