TractoFlow: A robust, efficient and reproducible diffusion MRI pipeline leveraging Nextflow & Singularity
Notice bibliographique
Résumé
Abstract A diffusion MRI (dMRI) tractography processing pipeline should be: i) reproducible in immediate test-test, ii) reproducible in time, iii) efficient and iv) easy to use. Two runs of the same processing pipeline with the same input data should give the same output today, tomorrow and in 2 years. However, processing dMRI data requires a large number of steps (20+ steps) that, at this time, may not be reproducible between runs or over time. If parameters such as the number of threads or the random number generator are not carefully set in the brain extraction, registration and fiber tracking steps, the end tractography results obtained can be far from reproducible and limit brain connectivity studies. Moreover, processing can take several hours to days of computation for a large database, even more so if the steps are running sequentially. To handle these issues, we present TractoFlow , a fully automated pipeline that processes datasets from the raw diffusion weighted images (DWI) to tractography. It also outputs classical diffusion tensor imaging measures (fractional anisotropy (FA) and diffu-sivities) and several HARDI measures (Number of Fiber Orientation (NuFO), Apparent Fiber Density (AFD)). The pipeline requires a DWI and T1-weighted image as NIfTI files and b-values/b-vectors in FSL format. An optional reversed phase encoded b=0 image can also be used. This pipeline is based on two technologies: Nextflow and Singularity , as well as recommended pre-processing and processing steps from the dMRI community. In this work, the TractoFlow pipeline is evaluated on three databases and shown to be efficient and reproducible from 98% to 100% depending on parameter choices. For example, 105 subjects from the Human Connectome Project (HCP) were fully ran in twenty-five (25) hours to produce, for each subject, a whole-brain tractogram with 4 million streamlines. The contribution of this paper is to introduce the importance of a robust pipeline in terms of runtime and reproducibility over time. In the era of open data and open science, efficiency and reproducibility is critical in neuroimaging projects. Our TractoFlow pipeline is publicly available for academic research and is an important step forward for better structural brain connectivity mapping.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,026 | 0,014 |
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 ».