Effects of Tissue-Specific Functional Magnetic Resonance Imaging Signal Regression on Resting-State Functional Connectivity
Notice bibliographique
Résumé
Neuroimaging studies typically consider white matter as unchanging in different neural and metabolic states. However, a recent study demonstrated that white matter signal regression (WMSR) produced a similar loss of neurometabolic information to global (whole-brain) signal regression (GSR) in resting-state functional magnetic resonance imaging (R-fMRI) data. This was unexpected as the loss of information would normally be attributed to neural activity within gray matter correlating with the global R-fMRI signal. Indeed, WMSR has been suggested as an alternative to avoid such pitfalls in GSR. To address these concerns about tissue-specific regression in R-fMRI data analysis, we performed GSR, WMSR, and gray matter signal regression (GMSR) on R-fMRI data from the 1000 Functional Connectomes Project. We describe several regional and motion-related differences between different types of regressions. However, the overall effects of concern, particularly network-specific alteration of correlation coefficients, are present for all regressions. This suggests that tissue-specific regression is not an adequate strategy to counter pitfalls of GSR. Conversely, if GSR is desired, but the studied disease state excludes either gray matter or white matter from analysis (e.g., due to tissue atrophy), our results indicate that WMSR or GMSR may reproduce the gross effects of GSR.
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 | 0,006 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».