Poster - Thurs Eve-28: New brain diffusion analysis method: White matter grey matter dissasociation
Notice bibliographique
Résumé
Diffusion MR studies are often used to investigate the physical properties of brain tissues (1, 2). It is known that a full characterisation of the diffusion decay for brain could give valuable information about the structural organisation of cerebral tissue. The significance of the present diffusion decay study lies in the combination of three novel procedures to provide a better characterization of the diffusion decay: i) the acquisition of a large number of b-values (96 b-values up to 10,000 s/mm2), ii) the application of a noise correction technique (3) to the acquired data, and iii) the use of a Non Negative Least Squares (NNLS) fitting algorithm to evaluate the diffusion coefficients. The presence of noise in magnitude MR images can affect the calculation of the diffusion parameters (4) and therefore a noise correction technique (3) is applied. The NNLS algorithm is used to fit the corrected data instead of the more commonly used Levenberg-Marquardt algorithm since the NNLS algorithm does not require the number of components to be specified, nor does it need initial estimates of the fitting parameters as input; thus giving it more versatility as a fitting tool for the diffusion decay. The results indicate that the diffusion decays in grey and white matter have one and two components, respectively. Consequently, the short diffusion component in white matter (Fig. 1.c) can be used as a tool in the disassociation of white and grey matter tissues.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 0,013 |
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 source (Gemma direct ou Codex distillé), 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 ».