A Resting-State Connectivity Metric Independent of Temporal Signal-to-Noise Ratio and Signal Amplitude
Notice bibliographique
Résumé
Temporal signal-to-noise ratio (tSNR) and the amplitude of low-frequency resting-state fluctuations (signal amplitude [SA]) can vary between magnetic resonance imaging sessions, thereby decreasing the reliability and reproducibility of measurements of resting-state connectivity between regions of interest (ROIs) in the human brain. In this study, a new metric for quantifying the strength of resting-state connections is introduced, which possesses low sensitivity to tSNR and SA but maintains high sensitivity to expected changes in connectivity magnitude or region volume caused by the presence of neurological disease, for example. This new metric is one that essentially divides the temporal cross-correlation of two ROIs by the temporal cross-correlation of one the ROIs with itself (i.e., a relative connectivity [RelCon]). The robustness of the new metric is demonstrated and compared with several existing metrics, using simulated datasets of varying tSNR and SA, as well as in data collected over multiple sessions from healthy subjects. For both simulated and real datasets, relative connectivity exhibited lower sensitivity to tSNR and SA compared with existing (i.e., absolute) connectivity metrics. Further, simulation suggests that for RelCon, it is better to calculate the correlation between all possible pairs of ROI voxel signals and then appropriately average the correlation coefficients, whereas for absolute connectivity it is better to average signals within the ROIs and then determine the correlation between the averaged signals. RelCon permits the comparison of connectivity across datasets acquired with different scanners or imaging parameters that potentially generate data with differing tSNR and SA.
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 | 0,003 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».