Automated iterative reclustering framework for determining hierarchical functional networks in resting state f<scp>MRI</scp>
Notice bibliographique
Résumé
To spatially cluster resting state-functional magnetic resonance imaging (rs-fMRI) data into potential networks, there are only a few general approaches that determine the number of networks/clusters, despite a wide variety of techniques proposed for clustering. For individual subjects, extraction of a large number of spatially disjoint clusters results in multiple small networks that are spatio-temporally homogeneous but irreproducible across subjects. Alternatively, extraction of a small number of clusters creates spatially large networks that are temporally heterogeneous but spatially reproducible across subjects. We propose a fully automatic, iterative reclustering framework in which a small number of spatially large, heterogeneous networks are initially extracted to maximize spatial reproducibility. Subsequently, the large networks are iteratively subdivided to create spatially reproducible subnetworks until the overall within-network homogeneity does not increase substantially. The proposed approach discovers a rich network hierarchy in the brain while simultaneously optimizing spatial reproducibility of networks across subjects and individual network homogeneity. We also propose a novel metric to measure the connectivity of brain regions, and in a simulation study show that our connectivity metric and framework perform well in the face of low signal to noise and initial segmentation errors. Experimental results generated using real fMRI data show that the proposed metric improves stability of network clusters across subjects, and generates a meaningful pattern for spatially hierarchical structure of the brain.
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 | 0,002 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».