User‐independent diffusion tensor imaging analysis pipelines in a rat model presenting ventriculomegalia: A comparison study
Notice bibliographique
Résumé
Automated analysis of diffusion tensor imaging (DTI) data is an appealing way to process large datasets in an unbiased manner. However, automation can sometimes be linked to a lack of interpretability. Two whole-brain, automated and voxelwise methods exist: voxel-based analysis (VBA) and tract-based spatial statistics (TBSS). In VBA, the amount of smoothing has been shown to influence the results. TBSS is free of this step, but a projection procedure is introduced to correct for residual misalignments. This projection assigns the local highest fractional anisotropy (FA) value to the mean FA skeleton, which represents white matter tract centers. For both methods, the normalization procedure has a major impact. These issues are well documented in humans but, to our knowledge, not in rodents. In this study, we assessed the quality of three different registration algorithms (ANTs SyN, DTI-TK and FNIRT) using study-specific templates and their impact on automated analysis methods (VBA and TBSS) in a rat pup model of diffuse white matter injury presenting large unilateral deformations. VBA and TBSS results were stable and anatomically coherent across the three pipelines. For VBA, in regions around the large deformations, interpretability was limited because of the increased partial volume effect. With TBSS, two of the three pipelines found a significant decrease in axial diffusivity (AD) at the known injury site. These results demonstrate that automated voxelwise analyses can be used in an animal model with large deformations.
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 | 0,001 |
| 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 ».