SS-Detect: Development and Validation of a New Strategy for Source-Based Morphometry in Multi-Scanner Studies
Notice bibliographique
Résumé
ABSTRACT Background and Purpose Source-based morphometry (SBM) has been used in multi-centre studies pooling magnetic resonance imaging (MRI) data across different scanners to advance the reproducibility of neuroscience research. In the present study, we developed an analysis strategy for S canner- S pecific D etection (SS-Detect) of SBPs in multi-scanner studies, and evaluated its performance relative to a conventional strategy. Methods In the first experiment, the SimTB toolbox was used to generate simulated datasets mimicking twenty different scanners with common and scanner-specific SBPs. In the second experiment, we generated one simulated SBP from empirical gray matter volume (GMV) datasets from two different scanners. Moreover, we applied two strategies to compare SBPs between schizophrenia patients’ and healthy controls’ GMV from two different scanners. Results The outputs of the conventional strategy were limited to whole-sample-level results across all scanners; the outputs of SS-Detect included whole-sample-level and scanner-specific results. In the first simulation experiment, SS-Detect successfully estimated all simulated SBPs, including the common and scanner-specific SBPs whereas the conventional strategy detected only some of the whole-sample SBPs. The second simulation experiment showed that both strategies could detect the simulated SBP. Quantitative evaluations of both experiments demonstrated greater accuracy of the SS-Detect in estimating spatial SBPs and subject-specific loading parameters. In the third experiment, SS-Detect detected more significant between-group SBPs, and these SBPs corresponded with the results from voxel-based morphometry analysis, suggesting that SS-Detect has higher sensitivity in detecting between-group differences. Conclusions SS-Detect outperformed the conventional strategy and can be considered advantageous when SBM is applied to a multi-scanner study.
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 | 0,019 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».