Hippocampal subfields revealed through unfolding and unsupervised clustering of laminar and morphological features in 3D BigBrain
Notice bibliographique
Résumé
Abstract The internal architecture of the hippocampus is challenging to map in detail using traditional histology and in-vivo neuroimaging. This is due, in part, to its complex archicortical folding that is difficult to appreciate in both modalities. Here, we aimed to overcome this challenge by leveraging the unique histological dataset available as open-source 3D BigBrain. Specifically, we investigated the relationship between topology, laminar cytoarchitecture, and detailed morphology with respect to hippocampal subfields and its anterior-posterior axis. Inspired by computational parcellation methods used in the neocortex, we topologically ‘unfolded’ the hippocampus and mapped it with respect to 5 morphological and 10 laminar features. Several features, including thickness, gyrification, and mean neuronal density, clearly differed between subfields. Indeed, data-driven clustering of all features revealed subdivisions which closely resemble manually defined subfields. Some features, most notably gyrification, also showed anterior-posterior differences within subfields, which may relate to connectivity and functional differences described in previous literature. Overall these findings offer quantifiable markers of hippocampal subfields, and provide new anatomical insight into the topology and properties of hippocampal tissue. Future applications could involve translation to in-vivo MRI for probing the internal hippocampal architecture at this mesoscale in cognition and disease.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».