Mapping Long-Term Functional Changes in Cerebral Blood Flow by Arterial Spin Labeling
Notice bibliographique
Résumé
Although arterial spin labeling (ASL) is appealing for mapping long-term changes in functional activity, inter-sessional variations in basal blood flow, arterial transit times (ATTs), and alignment errors, can result in significant false activation when comparing images from separate sessions. By taking steps to reduce these sources of noise, this study assessed the ability of ASL to detect functional CBF changes between sessions. ASL data were collected in three sessions to image ATT, resting CBF and CBF changes associated with motor activation (7 participants). Activation maps were generated using rest and task images acquired in the same session and from sessions separated by up to a month. Good agreement was found when comparing between-session activation maps to within-session activation maps with only a 16% decrease in precision (within-session: 90 ± 7%) and a 13% decrease in the Dice similarity (within-session: 0.75 ± 0.07) coefficient after a month. In addition, voxel-wise reproducibility (within-session: 4.7 ± 4.5%) and reliability (within-session: 0.89 ± 0.20) of resting grey-matter CBF decreased by less than 18% for the between-session analysis relative to within-session values. ATT variability between sessions (5.0 ± 2.7%) was roughly half the between-subject variability, indicating that its effects on longitudinal CBF were minimal. These results demonstrate that conducting voxel-wise analysis on CBF images acquired on different days is feasible with only modest loss in precision, highlighting the potential of ASL for longitudinal studies.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».