Novel Regional Activity Representation With Constrained Canonical Correlation Analysis for Brain Connectivity Network Estimation
Notice bibliographique
Résumé
Inferring brain connectivity networks from fMRI data can take place at the Region of Interest (ROI) or voxel level. With most ROI-based approaches, the signals from same-ROI voxels are simply averaged, neglecting any inhomogeneity in each ROI and assuming that the same voxels will interact with different ROIs in a similar manner. In this paper, we propose a novel method of representing ROI activity and estimating brain connectivity that takes into account the regionally-specific nature of brain activity, the spatial location of concentrated activity, and activity in other ROIs. The proposed method is able to integrate intrinsic regional structures into a network modelling framework, which we call local activity constrained canonical correlation analysis (LA-cCCA). We evaluated LA-cCCA on both simulated and real fMRI data. The simulation results demonstrated that LA-cCCA had improved accuracy of the estimated brain connectivity networks compared to the average-signal or Principal Component Analysis (PCA)-based correlation methods and the Canonical Correlation Analysis (CCA) method. We further examined the performance of LA-cCCA on real fMRI data set from the Human Connectome Project. LA-cCCA outperformed the other three approaches in terms of connectivity reproducibility. The proposed method explores the potentials of regional activity representation and is a reliable model for connectivity network estimation. It may serve as a promising tool for studying both the healthy and diseased brain.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».