A Bayesian Hierarchical Correlation Model for fMRI Cluster Analysis
Notice bibliographique
Résumé
Data-driven cluster analysis is potentially suitable to search for, and discriminate between, distinct response signals in blood oxygenation level-dependent functional magnetic resonance imaging (BOLD fMRI), which appear during cerebrovascular disease. In contrast to model-driven methods, which test for a particular BOLD signal whose shape must be given beforehand, data-driven methods generate a set of BOLD signals directly from the fMRI data by clustering voxels into groups with correlated time signals. Here, we address the problem of selecting only the clusters that represent genuine responses to the experimental stimulus by modeling the correlation structure of the clustered data using a Bayesian hierarchical model. The model is empirically justified by demonstrating the hierarchical organization of the voxel correlations after cluster analysis. BOLD signal discrimination is demonstrated using: 1) simulations that contain multiple pathological BOLD response signals; and 2) fMRI data acquired during an event-related motor task. These demonstrations are compared with results from a model-driven method based on the general linear model. Our simulations show that the data-driven method can discriminate between the BOLD response signals, while the model-driven method only finds one signal. For fMRI, the data-driven method distinguishes between the BOLD signals appearing in the sensorimotor cortex and those in basal ganglia and putamen, while the model-driven method combines these signals into one activation map. We conclude that the proposed data-driven method provides an objective framework to identify and discriminate between distinct BOLD response signals.
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 | 0,001 | 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 ».