Hierarchical Microstructure Informed Tractography
Notice bibliographique
Résumé
Background: Tractography uses diffusion magnetic resonance imaging to noninvasively infer the macroscopic pathways of white matter fibers and it is the only available technique to probe in vivo the structural connectivity of the brain. However, despite this unique and compelling ability and its wide range of possible neurological applications, tractography is still limited, lacks anatomical precision, and suffers from a serious sensitivity/specificity trade-off. For this reason, in the past few years, tractography postprocessing techniques have emerged and proved effective for improving the quality of the reconstructions. Among them, the Convex Optimization Modeling for Microstructure Informed Tractography formulation allows incorporating the anatomical prior that fibers are naturally organized in fascicles, and has obtained exceptional results in increasing the accuracy of the estimated tractograms. Methods: We propose an extension to this idea and introduce a multilevel grouping of the streamlines to capture the white matter arrangement in fascicles and subfascicles. We tested our proposed formulation in synthetic and in vivo data. Results: Our experiments show that using multiple levels allows considering information about the white matter organization more adequately and helps to improve further the accuracy of the resulting tractograms. Conclusion: This new formulation represents a further important step toward a more accurate structural connectivity estimation. Tractography is an invaluable tool for studying noninvasively the neuronal architecture of the brain, but recent studies have shown that the presence of a large number of false positives can significantly bias any connectivity analysis. Recently, a filtering technique called Convex Optimization Modeling for Microstructure Informed Tractography (COMMIT)-2 has proven particularly effective in dramatically reducing their incidence by considering the prior knowledge that white matter fibers are organized in fascicles. In this work, we propose an extension to this method, which allows us to increase further the anatomical accuracy of tractography reconstructions. Our new formulation represents an additional step forward toward a more veridical characterization of brain connectivity.
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 | 0,001 | 0,003 |
| 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 | 0,000 | 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) | 0,005 | 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 ».