Assessing the Influence of Different ROI Selection Strategies on Functional Connectivity Analyses of fMRI Data Acquired During Steady-State Conditions
Notice bibliographique
Résumé
In blood oxygen level dependent (BOLD) functional magnetic resonance imaging (fMRI), assessing functional connectivity between and within brain networks from datasets acquired during steady-state conditions has become increasingly common. However, in contrast to connectivity analyses based on task-evoked signal changes, selecting the optimal spatial location of the regions of interest (ROIs) whose timecourses will be extracted and used in subsequent analyses is not straightforward. Moreover, it is also unknown how different choices of the precise anatomical locations within given brain regions influence the estimates of functional connectivity under steady-state conditions. The objective of the present study was to assess the variability in estimates of functional connectivity induced by different anatomical choices of ROI locations for a given brain network. We here targeted the default mode network (DMN) sampled during both resting-state and a continuous verbal 2-back working memory task to compare four different methods to extract ROIs in terms of ROI features (spatial overlap, spatial functional heterogeneity), signal features (signal distribution, mean, variance, correlation) as well as strength of functional connectivity as a function of condition. We show that, while different ROI selection methods produced quantitatively different results, all tested ROI selection methods agreed on the final conclusion that functional connectivity within the DMN decreased during the continuous working memory task compared to rest.
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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».