Diffusion tensor‐based regional gray matter tissue segmentation using the international consortium for brain mapping atlases
Notice bibliographique
Résumé
In this communication, we extended a previously described and validated diffusion tensor imaging (DTI) method for segmenting whole brain cerebrospinal fluid (CSF) and gray and white matter (WM) tissue to provide regional volume and DTI metrics of WM tract and cortical and subcortical gray matter. This DTI-based regional segmentation was implemented using the statistical parametric mapping (SPM) toolbox and used the international consortium for brain mapping atlases and Montreal Neurological Institute brain templates. We used our DTI-based segmentation approach to calculate the left putamen volume in a cohort of 136 healthy right-handed males and females aged 15.8-62.8 years. We validated our approach by demonstrating its sensitivity to age-related changes of the putamen. Indeed, our method found that the putamen volume decreased with age (r = -0.30; P < 0.001) while the corresponding fractional anisotropy (FA) increased with advancing age (r = 0.5; P < 0.00001). It is then demonstrated, on a subset of our cohort (n = 31), that the putamen volume obtained by our method correlated with measurements obtained from FreeSurfer (r = 0.396, P < 0.05). Our novel approach increases the information obtained with a DTI examination by providing routine volumetry measure, thereby eliminating separate scans to obtain volumetry data. In addition, the labeled volumes obtained with our method have the potential to increase the accuracy of fiber tracking. In the future, this new approach can be automated to analyze large data sets to help discover noninvasive neuroimaging markers for clinical trials and brain-function studies in both health and disease.
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 | 0,000 |
| 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 | 0,001 | 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 ».