Benchmarking common preprocessing strategies in early childhood functional connectivity MRI
Notice bibliographique
Résumé
Abstract Functional connectivity magnetic resonance imaging (FC-MRI) has been widely used to investigate neurodevelopment. However, FC-MRI is vulnerable to head motion, which is associated with age and distorts FC estimates. Numerous preprocessing strategies have been developed to mitigate confounds, each with advantages and drawbacks. Preprocessing strategies for FC-MRI have typically been validated and compared using resting state data from adults. However, FC-MRI in young children presents a unique challenge due to relatively high head motion and a growing use of passive viewing paradigms to mitigate motion. This highlights a need to compare processing choices in pediatric samples. To this end, we leveraged longitudinal, passive viewing fMRI data collected from 4 to 8-year-old children. We systematically investigated combinations of widely used and debated preprocessing strategies, namely global signal regression, volume censoring, ICA-AROMA, and bandpass filtering. We implemented commonly used metrics of noise removal (i.e. quality control-functional connectivity), metrics sensitive to individual differences (i.e. connectome fingerprinting), and, because data was collected during a passive viewing task, we also assessed the impact on stimulus-evoked responses (i.e. intersubject correlations; ISC). We found that the most efficacious pipeline included censoring, global signal regression, bandpass filtering, and head motion parameter regression. Despite the drawbacks of noise-mitigation steps, our findings show benefits for both noise removal and information retention in a high-motion early childhood sample. Highlights - We evaluated 27 preprocessing pipelines in passive viewing data from young children - Pipelines were evaluated on noise-removed and information retained - Pipelines that included censoring and GSR outperformed alternatives across benchmarks - For high-motion scans, preprocessing choices substantially alter connectomes
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 | 0,005 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 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) | 0,004 | 0,002 |
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 ».