Simultaneous Multislice Resting-State Functional Magnetic Resonance Imaging at 3 Tesla: Slice-Acceleration-Related Biases in Physiological Effects
Notice bibliographique
Résumé
Simultaneous multislice echo-planar imaging (SMS-EPI) can enhance the spatiotemporal resolution of resting-state functional MRI (rs-fMRI) by encoding and simultaneously imaging "groups" of slices. However, phenomena, including respiration, cardiac pulsatility, respiration volume per time (RVT), and cardiac rate variation (CRV), referred to as "physiological processes," impact SMS-EPI rs-fMRI in a manner that is yet to be well characterized. In particular, physiological noise may incur aliasing and introduce spurious signals from one slice into another within the "slice group" in rs-fMRI data, resulting in a deleterious effect on resting-state functional connectivity MRI (rs-fcMRI) maps. In the present work, we aimed to quantitatively compare the effects of physiological noise on regular EPI and SMS-EPI in terms of rs-fMRI data and resulting functional connectivity measurements. We compare SMS-EPI and regular EPI data acquired from 11 healthy young adults with matching parameters. The physiological noise characteristics were compared between the two data sets through different combinations of physiological regression steps. We observed that the physiological noise characteristics differed between SMS-EPI and regular EPI, with cardiac pulsatility contributing more to noise in regular EPI data but low-frequency heart rate variability contributing more to SMS-EPI. In addition, a significant slice-group bias was observed in the functional connectivity density maps derived from SMS-EPI data. We conclude that making appropriate corrections for physiological noise is likely more important for SMS-EPI than for regular EPI acquisitions.
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 | 0,008 |
| 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 | 0,001 | 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 ».