A Connectomic Atlas of the Human Cerebrum—Chapter 18: The Connectional Anatomy of Human Brain Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: It is widely understood that cortical functions are mediated by complex, interdependent brain networks. These networks have been identified and studied using novel technologies such as functional magnetic resonance imaging under both resting-state and task-based conditions. However, no one has attempted to describe these networks in terms of their cortical parcellations. OBJECTIVE: To describe our approach to network modeling and discuss its significance for the future of neuronavigation in brain surgery using the cortical parcellation scheme detailed within this supplement. METHODS: Using network models previously elucidated by our group using coordinate-based meta-analytic techniques, we show the anatomic position and underlying white matter tracts of the cortical regions comprising 8 functional networks of the human cerebrum. These network models are displayed using Synaptive's clinically available BrightMatter tractography software (Synaptive Medical, Toronto, Canada). RESULTS: The relevant cortical parcellations of 8 different cerebral networks have been identified. The fiber tracts between these regions were used to construct anatomically precise models of the networks. Models are described for the dorsal attention, ventral attention, semantic, auditory, supplementary motor, ventral premotor, default mode, and salience networks. CONCLUSION: Our goal is to move towards more precise, anatomically specific models of brain networks that can be constructed for individual patients and utilized in navigational platforms during brain surgery. We believe network modeling and future advances in navigation technology can provide a foundation for improving neurosurgical outcomes by allowing us to preserve complex brain networks.
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.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| 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) | 0,001 | 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 découle