การทำแผนที่ความแตกต่างโดยใช้เมล็ดพันธุ์ (เดิมเรียกว่า การทำแผนที่ความแตกต่างแบบมีเครื่องหมาย ) หรือSDMเป็น เทคนิค ทางสถิติที่คิดค้นโดยJoaquim Raduaสำหรับ การศึกษา แบบเมตาอะนาลิซิส เพื่อ ประเมินความแตกต่างในกิจกรรมหรือโครงสร้าง ของ สมอง ผ่านเทคนิค การถ่ายภาพทางประสาทวิทยาเช่นfMRI , VBM , DTIหรือPETนอกจากนี้ยังอาจหมายถึงซอฟต์แวร์เฉพาะที่สร้างขึ้นโดยโครงการ SDM เพื่อดำเนินการเมตาอะนาลิซิสดังกล่าวด้วย

SDM ได้นำเอาคุณสมบัติเชิงบวกต่างๆ จากวิธีการก่อนหน้า เช่น ALE หรือ MKDA มาใช้และผสมผสานเข้าด้วยกัน พร้อมทั้งนำเสนอการปรับปรุงและคุณสมบัติใหม่ๆ หลายประการ^{[ 1 ]}หนึ่งในคุณสมบัติใหม่ที่นำมาใช้เพื่อหลีกเลี่ยงผลลัพธ์ที่เป็นบวกและลบในโวเซล เดียวกัน ดังที่พบในวิธีการก่อนหน้า คือการแสดงความแตกต่างทั้งที่เป็นบวกและลบในแผนที่เดียวกัน ทำให้ได้แผนที่ความแตกต่างแบบมีเครื่องหมาย (SDM) คุณสมบัติสำคัญอีกประการหนึ่งที่นำมาใช้ในเวอร์ชัน 2.11 คือการใช้ขนาดผลกระทบ (ทำให้เกิด SDM ขนาดผลกระทบหรือ 'ES-SDM') ซึ่งช่วยให้สามารถรวมพิกัดจุดสูงสุดที่รายงานเข้ากับแผนที่พารามิเตอร์ทางสถิติ ทำให้สามารถทำการวิเคราะห์เมตาได้อย่างละเอียดและแม่นยำยิ่งขึ้น^{[ 2 ]}

วิธีการนี้มีสามขั้นตอน ขั้นแรก เลือกพิกัดของจุดสูงสุดของกลุ่ม (เช่นว็อกเซลที่มีความแตกต่างระหว่างผู้ป่วยและกลุ่มควบคุมที่มีสุขภาพดีมากที่สุด) และแผนที่ทางสถิติ (ถ้ามี) ตามเกณฑ์การรวมของ SDM ขั้นที่สอง ใช้พิกัดเหล่านั้นเพื่อสร้างแผนที่ทางสถิติขึ้นใหม่ และแผนที่ขนาดผลกระทบและความแปรปรวนของแผนที่เหล่านั้นจะถูกคำนวณจากค่า t-statistic (หรือเทียบเท่าจากค่า pหรือค่า z-score ) ขั้นสุดท้าย นำแผนที่การศึกษาแต่ละฉบับมาวิเคราะห์แบบเมตา โดยใช้การทดสอบต่างๆ เพื่อเสริมผลลัพธ์หลักด้วย การวิเคราะห์ ความไวและความแตกต่าง

ในการศึกษา ภาพทางประสาทวิทยามักพบ ว่าบางบริเวณ (เช่น บริเวณที่สนใจตามที่กำหนดไว้ล่วงหน้า) มีค่าเกณฑ์ ที่ยืดหยุ่น กว่าบริเวณอื่นๆ ของสมองอย่างไรก็ตามการวิเคราะห์แบบเมตา ของการศึกษาที่มีความแตกต่างของ ค่าเกณฑ์ในแต่ละบริเวณภายในงานวิจัยเดียวกันจะทำให้เกิดอคติไปทางบริเวณเหล่านี้ เนื่องจากมีแนวโน้มที่จะถูกรายงานมากกว่า เพียงเพราะผู้เขียนใช้ค่าเกณฑ์ ที่ยืดหยุ่นกว่า ในบริเวณเหล่านั้น เพื่อแก้ไขปัญหานี้ SDM จึงได้กำหนดเกณฑ์ในการเลือกพิกัดไว้ว่า แม้ว่างานวิจัยต่างๆ อาจใช้ค่าเกณฑ์ที่แตกต่างกัน แต่ควรตรวจสอบให้แน่ใจว่ามีการใช้ค่าเกณฑ์เดียวกันทั่วทั้งสมองในงานวิจัยแต่ละชิ้นที่รวมอยู่^{[ 1 ]}

หลังจากการแปลงแผนที่พารามิเตอร์ทางสถิติและพิกัดจุดสูงสุดเป็นพื้นที่ Talairachแล้ว จะมีการสร้างแผนที่ SDM สำหรับแต่ละการศึกษาภายในแม่แบบเนื้อเทาหรือเนื้อขาวที่เฉพาะเจาะจง^{[ 3 ]}การประมวลผลล่วงหน้าของแผนที่พารามิเตอร์ทางสถิตินั้นตรงไปตรงมา ในขณะที่การประมวลผลล่วงหน้าของพิกัดจุดสูงสุดที่รายงานนั้นจำเป็นต้องสร้างคลัสเตอร์ของความแตกต่างขึ้นใหม่โดยใช้เคอร์เนลเกาส์เซียน ที่ไม่ได้รับการปรับให้เป็นมาตรฐาน เพื่อ ให้ ว็อกเซลที่อยู่ใกล้กับพิกัดจุดสูงสุดมีค่าสูงขึ้น มีการใช้ ความกว้างเต็มที่ครึ่งหนึ่งของค่าสูงสุด (FWHM) ที่ค่อนข้างใหญ่ถึง 20 มม. เพื่อพิจารณาแหล่งที่มาของข้อผิดพลาดเชิงพื้นที่ต่างๆ เช่น ความไม่ตรงกันของ การลงทะเบียนร่วมในการศึกษา ขนาดของคลัสเตอร์ หรือตำแหน่งของจุดสูงสุดภายในคลัสเตอร์ ภายในการศึกษา ค่าที่ได้จากเคอร์เนลเกาส์เซียน ที่ใกล้เคียงกัน จะถูกบวกเข้าด้วยกัน แม้ว่าค่าจะถูกรวมเข้าด้วยกันโดยการหาค่าเฉลี่ยถ่วงน้ำหนักระยะทางกำลังสอง^{[ 2 ]}

SDM นำเสนอการวิเคราะห์ทางสถิติที่หลากหลาย เพื่อเสริมผลลัพธ์หลักด้วยการวิเคราะห์ ความไวและ ความแตกต่างหลากหลาย

• การวิเคราะห์ทางสถิติหลักคือ การวิเคราะห์ค่า เฉลี่ยซึ่งประกอบด้วยการคำนวณค่าเฉลี่ยของ ค่า โวเซลในการศึกษาต่างๆค่าเฉลี่ย นี้ จะถูกถ่วงน้ำหนักด้วยค่าผกผันของความแปรปรวนและคำนึงถึงความแตกต่างระหว่างการศึกษา (แผนที่ QH) ^{[ 2 ]}
• การวิเคราะห์กลุ่มย่อยเป็นการวิเคราะห์ค่าเฉลี่ยที่ใช้กับกลุ่มของการศึกษาต่างๆ เพื่อให้สามารถศึกษาความแตกต่างกันได้
• การวิเคราะห์ แบบจำลองเชิงเส้น (เช่น เมตาเรเกรสชัน) เป็นการขยายผลของการวิเคราะห์ค่าเฉลี่ยเพื่อให้สามารถเปรียบเทียบระหว่างกลุ่มและศึกษาปัจจัยรบกวน ที่อาจเกิดขึ้น ได้^{[ 4 ]}ความแปรปรวนต่ำของตัวแปรอิสระมีความสำคัญอย่างยิ่งในเมตาเรเกรสชัน ดังนั้นจึงแนะนำให้เข้าใจว่าเป็นการสำรวจและกำหนดเกณฑ์อย่างระมัดระวังมากขึ้น^{[ 1 ]}
• การวิเคราะห์แบบแจ็คไนฟ์ประกอบด้วยการทำการทดสอบซ้ำหลายครั้งเท่ากับจำนวนการศึกษาที่รวมอยู่ โดยแต่ละครั้งจะตัดการศึกษาที่แตกต่างกันออกไปหนึ่งรายการ กล่าวคือ นำการศึกษาหนึ่งรายการออกแล้วทำการวิเคราะห์ซ้ำ จากนั้นนำการศึกษานั้นกลับเข้าไปและนำการศึกษาอื่นออกแล้วทำการวิเคราะห์ซ้ำไปเรื่อยๆ แนวคิดก็คือ หากบริเวณสมองที่มีนัยสำคัญยังคงมีนัยสำคัญในทุกหรือเกือบทุกการรวมกันของการศึกษา ก็สามารถสรุปได้ว่าการค้นพบนี้สามารถทำซ้ำได้สูง^{[ 1 ]}

ความสำคัญทางสถิติของการวิเคราะห์จะถูกตรวจสอบโดยการทดสอบการสุ่ม มาตรฐาน ขอแนะนำให้ใช้ค่า p ที่ไม่ได้รับการแก้ไข = 0.005 เนื่องจากพบว่าความสำคัญนี้ในวิธีนี้เทียบเท่ากับค่า p ที่ได้รับการแก้ไข = 0.05 โดยประมาณ^{[ 2 ]} พบว่า อัตราการค้นพบที่ผิดพลาด (FDR) = 0.05 ในวิธีนี้ค่อนข้างอนุรักษ์นิยมเกินไป นอกจากนี้ยังสามารถดึงค่าในป้ายกำกับหรือพิกัด Talairach เพื่อการประมวลผลเพิ่มเติมหรือการนำเสนอในรูปแบบกราฟิกได้อีกด้วย

SDM เป็นซอฟต์แวร์ที่พัฒนาโดยโครงการ SDM เพื่อช่วยในการวิเคราะห์ข้อมูลเชิงเมตาของ ข้อมูลภาพทางประสาทวิทยา แบบอิงพิกเซล (voxel-based neuroimaging data) ซอฟต์แวร์นี้เผยแพร่เป็นฟรีแวร์โดยมีทั้งส่วนติดต่อผู้ใช้แบบกราฟิกและเมนู/คอนโซลแบบบรรทัดคำสั่ง นอกจากนี้ยังสามารถบูรณาการเป็นส่วนขยาย ของ SPM ได้อีกด้วย

• ซอฟต์แวร์และเอกสารประกอบโครงการ SDM