Estimating the sample size required to detect an arterial spin labelling magnetic resonance imaging perfusion abnormality in voxel-wise group analyses
Notice bibliographique
Résumé
BACKGROUND: Voxel-based analyses are pervasive across the range of neuroimaging techniques. In the case of perfusion imaging using arterial spin labelling (ASL), a low signal-to-noise technique, there is a tradeoff between the contrast-to-noise required to detect a perfusion abnormality and its spatial localisation. In exploratory studies, the use of an a priori region of interest (ROI), which has the benefit of averaging multiple voxels, may not be justified. Thus the question considered in this study pertains to the sample size that is required to detect a voxel-level perfusion difference between groups and two algorithms are considered. NEW METHOD: Empirical 3T ASL data were acquired from 25 older adults and simulations were performed based on the group template cerebral blood flow (CBF) images. General linear model (GLM) and permutation-based algorithms were tested for their ability to detect a predefined hypoperfused ROI. Simulation parameters included: inter and intra-subject variability, degree of hypoperfusion and sample size. The true positive rate was used as a measure of sensitivity. RESULTS: For a modest group perfusion difference, i.e., 10%, 37 participants per group were required when using the permutation-based algorithm, whereas 20 participants were required for the GLM-based algorithm. COMPARISON WITH EXISTING METHODS: This study advances the perfusion power calculation literature by considering a voxel-wise analysis with correction for multiple comparison. CONCLUSIONS: The sample size requirement to detect group differences decreased exponentially in proportion to increased degree of hypoperfusion. In addition, sensitivity to detect a perfusion abnormality was influenced by the choice of algorithm.
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 | 0,004 | 0,006 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».