Diffusion MRI Analysis Techniques Inspired by the Preterm Infant Brain
Notice bibliographique
Résumé
Diffusion MRI (dMRI) is a powerful imaging modality that allows us to non-invasively examine the organization and integrity of fibrous tissue, particularly the brain’s white matter. The result of a dMRI scan is a 3D image where each voxel contains a model that describes the local diffusion pattern of water molecules. The complicated nature and high dimensionality of these voxel-wise models make dMRI analysis especially challenging. The challenges increase when we look at dMRI scans from infants born prematurely. The smaller brain size for these infants, and the still-emerging brain structures these infants possess, increase the challenges involved in processing, analyzing, and interpreting dMRI scans. This thesis introduces four computational contributions in the area of dMRI analysis that attempt to address challenges exacerbated when imaging the preterm infant brain. Specifically, these four contributions are: (a) the first information content estimators for unaltered dMRI data, including a mutual information estimator for image registration; (b) a novel dMRI segmentation algorithm based on a cross-sectional piecewise constant image model; (c) the first global, closed-form probabilistic tractography algorithm, one where tracts compete for space in the brain; and (d) STEAM: the first patient-specific statistical abnormality mapping technique. In these four contributions, we model the dMRI data more accurately in order to improve the accuracy of dMRI analysis techniques, particularly in the presence of the small brain sizes and still-emerging brain structures seen in preterm infant dMRI. We further make the source code for these contributions publicly available to aid in the reproducibility of our research.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 ».