Covariance statistics and network analysis of brain PET imaging studies
Notice bibliographique
Résumé
Abstract The analysis of structural and functional neuroimaging data using graph theory has increasingly become a popular approach for visualising and understanding anatomical and functional relationships between different cerebral areas. In this work we applied a network-based approach for brain PET studies using population-based covariance matrices, with the aim to explore topological tracer kinetic differences in cross-sectional investigations. Simulations, test-retest studies and applications to cross-sectional datasets from three different tracers ([ 18 F]FDG, [ 18 F]FDOPA and [ 11 C]SB217045) and more than 400 PET scans were investigated to assess the applicability of the methodology in healthy controls and patients. A validation of statistics, including the assessment of false positive differences in parametric versus permutation testing, was also performed. Results showed good reproducibility and general applicability of the method within the range of experimental settings typical of PET neuroimaging studies, with permutation being the method of choice for the statistical analysis. The use of graph theory for the quantification of [ 18 F]FDG brain PET covariance, including the definition of an entropy metric, proved to be particularly relevant for Alzheimer’s disease, showing an association with the progression of the pathology. This study shows that covariance statistics can be applied to PET neuroimaging data to investigate the topological characteristics of the tracer kinetics and its related targets, although sensitivity to experimental variables, group inhomogeneities and image resolution need to be considered when the method is applied to cross-sectional studies.
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 | 0,009 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».