The laminar pattern of resting state in human cerebral cortex
Notice bibliographique
Résumé
Resting state functional Magnetic Resonance Imaging (RS-fMRI) provides the means to measure neuronal activity. One of the most commonly used methods to explore the RS-fMRI signal is the Probabilistic Independent Component Analysis (PICA). PICA allows to depict brain functional connectivity (FC) networks. Yet most of the IC maps obtained with this method do not represent any particular FC network. Consequently, those IC maps are classified as artifacts or noise of an unknown source. We hypothesized that the unexplained RS-fMRI signal patterns that are picked up by the PICA can be related to the differences in oxygen metabolism and blood flow in cortical layers. This study aimed at (1) providing preliminary evidence to the effects of laminar organization of neocortex on the RS-fMRI signal, and (2) evaluating the application of laminar maps to aid the classification of IC maps. We created laminar maps 1-4 that depict relative cortical thickness of layers IV and VI. Our data show that the RS-fMRI signal is significantly related to the relative thickness of the cortical layer VI but not layer IV. Importantly, the laminar maps 1-4 overlap with four separate IC maps. Thus, the laminar maps 1-4 improve classification and interpretation of the IC maps. Moreover, the laminar maps 1-4 may be considered as FC networks that are the bridging piece between particular cognitive functions. Together, these data provide preliminary evidence to the fundamental questions about the role of cortical layering in the RS-fMRI signal and brain FC networks.
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 | 0,003 |
| 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) | 0,000 | 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 ».