Application of a Fourier Shift Preprocessing Stage to Improve the Resolution of Resting State fMRI Images
Notice bibliographique
Résumé
Multiple sclerosis (MS) is a disease common in many northern-climate countries with Canada having 28% higher MS numbers on a population basis than second place Denmark. Optical Neuritis (ON) is known to affect the properties of the visual pathways in the brain, is often a precursor to MS, and has been suggested as a system model for MS pathology. We have investigated possible resting state functional magnetic resonance imaging (rs-fMRI) markers to track ON recovery or progression to MS. To obtain the necessary rs-fMRI temporal resolution requires discrete Fourier transform (DFT) reconstruction applied to 2D truncated (finite length) frequency domain MRI data sets followed by a 2D DFT-based correlation analysis across a time sequence of images to identify image regions that are connected through the brain's optical pathways. Another DFT-based transfer function determination identifies pathways impacted by ON; permitting differentiation between normal volunteers and ON patients. Windowing or low-pass filtering is required to remove ringing distortions from these five DFT application stages, but leads to lower fMRI spatial resolution and an undesirable loss in ON marker accuracy. Recently we have theoretically identified a Fourier shift manipulation (FSM) preprocessing stage that avoids the unnecessary loss of resolution that occurs with the use of global windowing during DFT application. We have previously demonstrated how applying FSM to data improves 1D DFT-based analysis under certain experimental MR-relevant situations. In this paper we extend the FSM approach to demonstrate an improvement in the 2D resolution of rs-fMRI images generated from truncated MRI k-space data.
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 | 0,001 | 0,003 |
| 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 ».