Establishing an acquisition and processing protocol for resting state networks with a 1.5 T scanner
Notice bibliographique
Résumé
OBJECTIVE: The aim of this study was to characterize the capability of detection of the resting state networks (RSNs) with functional magnetic resonance imaging (fMRI) in healthy subjects using a 1.5T scanner in a middle-income country. MATERIALS AND METHODS: Ten subjects underwent a complete blood-oxygen-level dependent imaging (BOLD) acquisition on a 1.5T scanner. For the imaging analysis, we used the spatial independent component analysis (sICA). We designed a computer tool for 1.5 T (or above) scanners for imaging processing. We used it to separate and delineate the different components of the RSNs of the BOLD signal. The sICA was also used to differentiate the RSNs from noise artifact generated by breathing and cardiac cycles. RESULTS: For each subject, 20 independent components (IC) were computed from the sICA (a total of 200 ICs). From these ICs, a spatial pattern consistent with RSNs was identified in 161 (80.5%). From the 161, 131 (65.5%) were fit for study. The networks that were found in all subjects were: the default mode network, the right executive control network, the medial visual network, and the cerebellar network. In 90% of the subjects, the left executive control network and the sensory/motor network were observed. The occipital visual network was present in 80% of the subjects. In 39 (19.5%) of the images, no any neural network was identified. CONCLUSIONS: Reproduction and differentiation of the most representative RSNs was achieved using a 1.5T scanner acquisitions and sICA processing of BOLD imaging in healthy subjects.
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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,006 |
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 ».