Diffusion MRI of the Unfolded Hippocampus
Notice bibliographique
Résumé
Abstract The hippocampus is implicated in numerous neurological disorders and the ability to detect subtle or focal hippocampal abnormalities earlier in disease progression could significantly improve the treatment of patients. Ex vivo studies with ultra-high field have revealed that diffusion MRI (dMRI) can reveal microstructural variations within the hippocampal subfields and lamina, and may also be sensitive to intra-hippocampal pathways. However, translation to lower resolution in vivo dMRI studies of the hippocampus is challenging due to its complicated geometry. One novel way to overcome some of these obstacles is by transforming the usual Cartesian coordinates in an MRI image to coordinates that are crafted to curve themselves according to the complicated geometry of the hippocampus. This procedure allows us to virtually unfold the hippocampus into a thin sheet. In this work, we introduce an algorithm to map diffusion MRI data to this sheet, allowing us to overcome the difficulties associated with the hippocampus’ complicated geometry. We demonstrate how our method can be readily integrated into existing implementations of traditional tractography methods and how it leads to enhancements in the resulting tracts. Further, our results on high quality in vivo dMRI acquisitions show that unfolding the hippocampus leads to a more anatomically plausible modelling of the connectivity of the hippocampus as probed by probabilistic tractography, revealing key elements of the polysynaptic pathway and anterior-posterior connectivity gradients.
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 | 0,000 | 0,001 |
| 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 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 ».