3D interactive tractography-informed resting-state fMRI connectivity
Notice bibliographique
Résumé
In the past decade, the fusion between diffusion magnetic resonance imaging (dMRI) and functional magnetic resonance imaging (fMRI) has opened the way for exploring structure-function relationships in vivo. As it stands, the common approach usually consists of analysing fMRI and dMRI datasets separately or using one to inform the other, such as using fMRI activation sites to reconstruct dMRI streamlines that interconnect them. Moreover, given the large inter-individual variability of the healthy human brain, it is possible that valuable information is lost when a fixed set of dMRI/fMRI analysis parameters such as threshold values are assumed constant across subjects. By allowing one to modify such parameters while viewing the results in real-time, one can begin to fully explore the sensitivity of structure-function relations and how they differ across brain areas and individuals. This is especially important when interpreting how structure-function relationships are altered in patients with neurological disorders, such as the presence of a tumor. In this study, we present and validate a novel approach to achieve this: First, we present an interactive method to generate and visualize tractography-driven resting-state functional connectivity, which reduces the bias introduced by seed size, shape and position. Next, we demonstrate that structural and functional reconstruction parameters explain a significant portion of intra- and inter-subject variability. Finally, we demonstrate how our proposed approach can be used in a neurosurgical planning context. We believe this approach will promote the exploration of structure-function relationships in a subject-specific aspect and will open new opportunities for connectomics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».