3D Digitization in Functional Morphology: Where is the Point of Diminishing Returns?
Notice bibliographique
Résumé
Modern computational and imaging methods are revolutionizing the fields of comparative morphology, biomechanics, and ecomorphology. In particular, imaging tools such as X-ray micro computed tomography (µCT) and diffusible iodine-based contrast enhanced CT allow observing and measuring small and/or otherwise inaccessible anatomical structures, and creating highly accurate three-dimensional (3D) renditions that can be used in biomechanical modeling and tests of functional or evolutionary hypotheses. But, do the larger datasets generated through 3D digitization always confer greater power to uncover functional or evolutionary patterns, when compared with more traditional methodologies? And, if so, why? Here, we contrast the advantages and challenges of using data generated via (3D) CT methods versus more traditional (2D) approaches in the study of skull macroevolution and feeding functional morphology in bats. First, we test for the effect of dimensionality and landmark number on inferences of adaptive shifts during cranial evolution by contrasting results from 3D versus 2D geometric morphometric datasets of bat crania. We find sharp differences between results generated from the 3D versus some of the 2D datasets (xy, yz, ventral, and frontal), which appear to be primarily driven by the loss of critical dimensions of morphological variation rather than number of landmarks. Second, we examine differences in accuracy and precision among 2D and 3D predictive models of bite force by comparing three skull lever models that differ in the sources of skull and muscle anatomical data. We find that a 3D model that relies on skull µCT scans and muscle data partly derived from diceCT is slightly more accurate than models based on skull photographs or skull µCT and muscle data fully derived from dissections. However, the benefit of using the diceCT-informed model is modest given the effort it currently takes to virtually dissect muscles from CT scans. By contrasting traditional and modern tools, we illustrate when and why 3D datasets may be preferable over 2D data, and vice versa, and how different methodologies can complement each other in comparative analyses of morphological function and evolution.
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) | 0,001 | 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 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 ».