Study the Longitudinal in vivo and Cross-Sectional ex vivo Brain Volume Difference for Disease Progression and Treatment Effect on Mouse Model of Tauopathy Using Automated MRI Structural Parcellation
Notice bibliographique
Résumé
Brain volume measurements extracted from structural MRI data sets are a widely-accepted neuroimaging biomarker to study mouse models of neurodegeneration. Whether to acquire and analyse data in vivo or ex vivo is a crucial decision during the phase of experimental designs, as well as data analysis. In this work, we extracted the brain structures for both longitudinal in vivo and single-time-point ex vivo MRI acquired from the same animals using accurate automatic multi-atlas structural parcellation, and compared the corresponding statistical and classification analysis. We found that most grey matter structures volumes decrease from in vivo to ex vivo, while most white matter structures volume increase. The level of structural volume change also varies between different genetic strains and treatment. In addition, we showed superior statistical and classification power of ex vivo data compared to the in vivo data, even after resampled to the same level of resolution. We further demonstrated that the classification power of the in vivo data can be improved by incorporating longitudinal information, which is not possible for ex vivo data. In conclusion, this paper demonstrates the tissue-specific changes, as well as the difference in statistical and classification power, between the volumetric analysis based on the in vivo and ex vivo structural MRI data. Our results emphasise the importance of longitudinal analysis for in vivo data analysis.
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 | 0,000 |
| 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 ».