Présentation de la technique d'analyse de corrélation canonique (CCA) dans le contexte des ensembles de données β-amyloïde et tau PET. L'ACC recherche les pondérations ou les charges cérébrales qui maximisent la corrélation entre les combinaisons linéaires des variables β-amyloïde et tau. La combinaison linéaire ou la somme pondérée des ensembles de données TEP donne des scores β-amyloïde et tau pour chaque sujet. Les scores peuvent être combinés pour montrer comment l'association amyloïde-tau est exprimée dans l'ensemble de l'échantillon.
Nous avons construit une métrique multimodale pour évaluer les associations spatiales non linéaires entre les ensembles de données d’images TEP β-amyloïdes et tau. Notre méthode généralise une technique bien connue, appelée analyse de corrélation canonique, à un scénario plus large dans lequel le coefficient de corrélation classique de Pearson n’est plus la métrique associative sous-jacente.
Le schéma résume les principes fondamentaux de la technique d’analyse des corrélations canoniques dans le cadre d’images cérébrales.
À partir de deux ensembles de données, disons des images TEP amyloïdes et tau, le CCA produit des scores individuels dans un espace latent qui expriment une corrélation maximale entre toutes les combinaisons linéaires possibles ou les sommes pondérées des voxels d’images cérébrales correspondantes. Par conséquent, une fois dans l’espace latent, les scores peuvent être combinés pour évaluer l’association linéaire amyloïde-tau sur l’ensemble de l’échantillon. De plus, les poids ou les chargements fournissent des informations spatiales utiles sur l’ensemble des voxels avec une contribution plus élevée aux scores corrélés au maximum.