Enabling constrained spherical deconvolution and diffusional variance decomposition with tensor-valued diffusion MRI
Notice bibliographique
Résumé
Abstract Diffusion tensor imaging (DTI) is widely used to extract valuable tissue measurements and white matter (WM) fiber orientations, even though its lack of specificity is now well-known, especially for WM fiber crossings. Models such as constrained spherical deconvolution (CSD) take advantage of high angular resolution diffusion imaging (HARDI) data to compute fiber orientation distribution functions (fODF) and tackle the orientational part of the DTI limitations. Furthermore, the recent introduction of tensor-valued diffusion MRI allows for diffusional variance decomposition (DIVIDE), opening the door to the computation of measures more specific to microstructure than DTI measures, such as microscopic fractional anisotropy (μFA). However, tensor-valued diffusion MRI data is not mathematically compatible with latest versions of CSD and the impacts of such atypical data on fODF reconstruction with CSD are yet to be studied. In this work, we lay down the mathematical and computational foundations of a tensor-valued CSD and use simulated data to explore the effects of various combinations of diffusion encodings on the angular resolution of extracted fOFDs. We also compare the combinations with regards to their performance at producing accurate and precise μFA with DIVIDE, and present an optimised protocol for both methods. We show that our proposed protocol enables the reconstruction of both fODFs and μFA on in vivo data.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| 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 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».