Joint Spatial Denoising and Active Region of Interest Delineation in Functional Magnetic Resonance Imaging
Notice bibliographique
Résumé
In region of interest (ROI) based functional magnetic resonance imaging (fMRI) group analysis, errors in delineation of an ROI or inclusion of non-active voxels within an ROI can bias the statistical results. Addressing these concerns, this paper presents a new fMRI processing method that simultaneously refines ROI delineation and spatially denoises fMRI activation statistics within the ROI. The underlying assumption is that activation statistics within a small neighborhood are spatially correlated, thereby exhibit similar levels of influence on the overall ROI's response. Based on this assumption, we first identify outlier voxels as those having undue influence on an ROI's feature. Isolated outlier voxels at region boundaries are then removed, thereby refining the ROI delineation. The remaining outlier voxels are de-weighted based on their influence relative to their neighbors to reduce the effects of voxels deemed falsely active in later analysis. The proposed method was tested on real fMRI data collected from 8 healthy subjects performing a bulb-squeezing motor task at various frequencies. Using the proposed method, enhanced capability for detection of frequency-related activation map feature differences (AMFD) was demonstrated when compared to Gaussian spatial smoothing of ROI activation statistics. The validity of the proposed method is suggested by the fact that using one feature for denoising (e.g. spatial variance) results in greater effect size in another feature (e.g. average activation statistics magnitude). Our results demonstrate the importance of accurate ROI delineation in ROI-based fMRI analysis.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».