A tract-specific approach to assessing white matter in preterm infants
Notice bibliographique
Résumé
Diffusion-weighted imaging (DWI) is becoming an increasingly important tool for studying brain development. DWI analyses relying on manually-drawn regions of interest and tractography using manually-placed waypoints are considered to provide the most accurate characterisation of the underlying brain structure. However, these methods are labour-intensive and become impractical for studies with large cohorts and numerous white matter (WM) tracts. Tract-specific analysis (TSA) is an alternative WM analysis method applicable to large-scale studies that offers potential benefits. TSA produces a skeleton representation of WM tracts and projects the group's diffusion data onto the skeleton for statistical analysis. In this work we evaluate the performance of TSA in analysing preterm infant data against results obtained from native space tractography and tract-based spatial statistics. We evaluate TSA's registration accuracy of WM tracts and assess the agreement between native space data and template space data projected onto WM skeletons, in 12 tracts across 48 preterm neonates. We show that TSA registration provides better WM tract alignment than a previous protocol optimised for neonatal spatial normalisation, and that TSA projects FA values that match well with values derived from native space tractography. We apply TSA for the first time to a preterm neonatal population to study the effects of age at scan on WM tracts around term equivalent age. We demonstrate the effects of age at scan on DTI metrics in commissural, projection and association fibres. We demonstrate the potential of TSA for WM analysis and its suitability for infant studies involving multiple tracts.
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 | 0,000 | 0,000 |
| 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 ».