Improving spatial normalization of brain diffusion MRI to measure longitudinal changes of tissue microstructure in the cortex and white matter
Notice bibliographique
Résumé
ABSTRACT Background Fractional anisotropy ( FA ) and mean diffusivity ( MD ) are frequently used to evaluate longitudinal changes in white matter microstructure. Recently, there has been a growing interest in identifying experience-dependent plasticity in gray matter using MD . Improving registration has thus become a major goal to enhance the detection of subtle longitudinal changes in cortical microstructure. Purpose To optimize normalization to improve registration in gray matter and reduce variability associated with multi-session registrations. Study Type Prospective longitudinal study Subjects Twenty-one healthy subjects (18-31 years old) underwent 9 magnetic resonance imaging (MRI) scanning sessions each. Field Strength/Sequence 3.0T, diffusion-weighted multiband-accelerated sequence, MP2RAGE sequence. Assessment Diffusion-weighted images were registered to standard space using different pipelines that varied in the features used for normalization, namely the non-linear registration algorithm (FSL vs ANTs), the registration target ( FA -based vs T1-based templates), and the use of intermediate individual (FA-based or T1-based) targets. We compared the across-session test-retest reproducibility error from these normalization approaches for FA and MD in white and gray matters. Statistical Tests Reproducibility errors were compared using a repeated-measures analysis of variance with pipeline as within-subject factor. Results The registration of FA data to the FMRIB58 FA atlas using ANTs yielded lower reproducibility errors in white matter (p<0.0001) with respect to FSL. Moreover, using the MNI152 T1 template as the target of registration resulted in lower reproducibility errors for MD (p<0.0001), whereas the FMRIB58 FA template performed better for FA (p<0.0001). Finally, the use of an intermediate individual template improved reproducibility when registration of the FA images to the MNI152-T1 was carried out within modality (FA-FA) (p<0.05), but not via a T1-based individual template. Data Conclusion A normalization approach using ANTs to register FA images to the MNI152 T1 template via an individual FA template minimized test-retest reproducibility errors both for gray and white matter.
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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».