Parcellating an Individual Subject's Cortical and Subcortical Brain Structures Using Snowball Sampling of Resting-State Correlations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We describe methods for parcellating an individual subject's cortical and subcortical brain structures using resting-state functional correlations (RSFCs). Inspired by approaches from social network analysis, we first describe the application of snowball sampling on RSFC data (RSFC-Snowballing) to identify the centers of cortical areas, subdivisions of subcortical nuclei, and the cerebellum. RSFC-Snowballing parcellation is then compared with parcellation derived from identifying locations where RSFC maps exhibit abrupt transitions (RSFC-Boundary Mapping). RSFC-Snowballing and RSFC-Boundary Mapping largely complement one another, but also provide unique parcellation information; together, the methods identify independent entities with distinct functional correlations across many cortical and subcortical locations in the brain. RSFC parcellation is relatively reliable within a subject scanned across multiple days, and while the locations of many area centers and boundaries appear to exhibit considerable overlap across subjects, there is also cross-subject variability-reinforcing the motivation to parcellate brains at the level of individuals. Finally, examination of a large meta-analysis of task-evoked functional magnetic resonance imaging data reveals that area centers defined by task-evoked activity exhibit correspondence with area centers defined by RSFC-Snowballing. This observation provides important evidence for the ability of RSFC to parcellate broad expanses of an individual's brain into functionally meaningful units.
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.
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 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 découle