BOLD Contrast and Noise Characteristics of Densely Sampled Multi-Echo fMRI Data
Notice bibliographique
Résumé
Blood oxygenation level dependent (BOLD) contrast in functional magnetic resonance imaging (fMRI) can be enhanced using multi-echo imaging and postprocessing techniques that combine the echoes in weighted summation. Here, existing echo-weighting methods are reassessed in the context of an explicit physiological noise model, and a new method is introduced: weights that scale linearly with echo time. Additionally, a method using data-driven weights defined using principal component analysis (PCA) is included for comparison. Differences in BOLD contrast enhancement between methods were compared analytically where possible, and using Monte Carlo simulations for different noise conditions and different combinations of acquisition parameters. The comparisons were also validated through densely sampled (256-echo) multi-echo fMRI experimental data acquired at 1.5T and 3.0T. Results indicated that the contrast-to-noise ratio (CNR) of the studied weighting methods have a strong dependence on the physiological noise, echo spacing and the width of the sampling window. With low noise correlations between echoes, contrast gain for all weighting methods was shown to have a square root dependence on the echo sampling density, and in typical experimental noise conditions, increasing the sampling window beyond 3·T2* produced marginal additional benefit. Simulations and experiments also emphasized that noise correlations between echoes are likely the main factor limiting the potential CNR gains achievable by densely sampled multi-echo fMRI.
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 | 0,000 | 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 ».