Cortical Surfaces Integration with Tractography for Structural Connectivity Analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: Mapping diffusion MRI tractography streamlines to the cortical surface facilitates the integration of white matter features onto gray matter, especially for connectivity analysis. Method: In this work, we present methods that combine cortical surface meshes with tractography reconstruction to improve endpoint precision and coverage. This cortical mapping also enables the study of structural measures from tractography along the cortex and subcortical structures. In addition to structural connectivity analysis, novel adaptive and dynamic surface seeding methods are proposed. These improvements are made by incorporating cortical maps such as endpoint density. Results: The proposed dynamic surface seeding increases the cortical coverage and reduces endpoint location biases. Our results suggest that the use of cortical and subcortical meshes together with a proper seeding strategy can reduce the variability in structural connectivity analysis. Conclusion: The proposed adaptive and dynamic seeding utilize cortical maps to better distribute tractography interconnections, thus increasing cortical coverage and reducing endpoint bias. This also facilitates the analysis of white matter & diffusion MRI features along the cortex, combined with cortical measures or functional activation. This research presents an overview of surface mapping methods for tractography to reduce structural connectivity variability. The proposed adaptive and dynamic seeding utilize cortical maps to better distribute tractography interconnections, thus increasing cortical coverage and reducing end-point bias. This also facilitates the analysis of white matter and diffusion magnetic resonance imaging features along the cortex, combined with cortical measures or functional activation.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,001 |
| 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 découle