ICA-fNORM: Spatial Normalization of fMRI Data Using Intrinsic Group-ICA Networks
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
A common pre-processing challenge associated with group level fMRI analysis is spatial registration of multiple subjects to a standard space. Spatial normalization, using a reference image such as the Montreal Neurological Institute brain template, is the most common technique currently in use to achieve spatial congruence across multiple subjects. This method corrects for global shape differences preserving regional asymmetries, but does not account for functional differences. We propose a novel approach to co-register task-based fMRI data using resting state group-ICA networks. We posit that these intrinsic networks (INs) can provide to the spatial normalization process with important information about how each individual's brain is organized functionally. The algorithm is initiated by the extraction of single subject representations of INs using group level independent component analysis (ICA) on resting state fMRI data. In this proof-of-concept work two of the robust, commonly identified, networks are chosen as functional templates. As an estimation step, the relevant INs are utilized to derive a set of normalization parameters for each subject. Finally, the normalization parameters are applied individually to a different set of fMRI data acquired while the subjects performed an auditory oddball task. These normalization parameters, although derived using rest data, generalize successfully to data obtained with a cognitive paradigm for each subject. The improvement in results is verified using two widely applied fMRI analysis methods: the general linear model and ICA. Resulting activation patterns from each analysis method show significant improvements in terms of detection sensitivity and statistical significance at the group level. The results presented in this article provide initial evidence to show that common functional domains from the resting state brain may be used to improve the group statistics of task-fMRI data.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| 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 découle