Comparison of source localization techniques in diffuse optical tomography for fNIRS application using a realistic head model
Notice bibliographique
Résumé
Functional near-infrared spectroscopy (fNIRS) is a non-invasive imaging technique that elicits growing interest for research and clinical applications. In the last decade, efforts have been made to develop a mathematical framework in order to image the effective sources of hemoglobin variations in brain tissues. Different approaches can be used to impose additional information or constraints when reconstructing the cerebral images of an ill-posed problem. The goal of this study is to compare the performance and limitations of several source localization techniques in the context of fNIRS tomography using individual anatomical magnetic resonance imaging (MRI) to model light propagation. The forward problem is solved using a Monte Carlo simulation of light propagation in the tissues. The inverse problem has been linearized using the Rytov approximation. Then, Tikhonov regularization applied to least squares, truncated singular value decomposition, back-projection, L1-norm regularization, minimum norm estimates, low resolution electromagnetic tomography and Bayesian model averaging techniques are compared using a receiver operating characteristic analysis, blurring and localization error measures. Using realistic simulations (n = 450) and data acquired from a human participant, this study depicts how these source localization techniques behave in a human head fNIRS tomography. When compared to other methods, Bayesian model averaging is proposed as a promising method in DOT and shows great potential to improve specificity, accuracy, as well as to reduce blurring and localization error even in presence of noise and deep sources. Classical reconstruction methods, such as regularized least squares, offer better sensitivity but higher blurring; while more novel L1-based method provides sparse solutions with small blurring and high specificity but lower sensitivity. The application of these methods is also demonstrated experimentally using visual fNIRS experiment with adult participant.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».