Improvement of sensitivity and specificity for laminar BOLD fMRI with double spin-echo EPI in humans at 7 T
Notice bibliographique
Résumé
Mapping mesoscopic cortical functional units such as columns or laminae is increasingly pursued by ultra-high field (UHF) functional magnetic resonance imaging (fMRI). The most popular approach for high-resolution fMRI is currently gradient-echo (GE) blood oxygenation level-dependent (BOLD) fMRI. However, its spatial accuracy is reduced due to its sensitivity to draining vessels, including pial veins, whereas spin-echo (SE) BOLD signal is expected to have higher spatial accuracy, albeit with lower sensitivity than the GE-BOLD signal. Here, we introduce a new double spin-echo (dSE) echo-planar imaging (EPI) method to improve the sensitivity of SE-BOLD contrast by averaging two spin-echoes using three radiofrequency pulses. Human fMRI experiments were performed with slices perpendicular to the central sulcus between motor and sensory cortices at 7 T during fist-clenching with touching. First, we evaluated the feasibility of single-shot dSE-EPI for BOLD fMRI with 1.5 mm isotropic resolution and found that dSE-BOLD fMRI has higher signal-to-noise ratio (SNR), temporal SNR (tSNR), and higher functional sensitivity than conventional SE-BOLD fMRI. Second, to investigate the laminar specificity of dSE-BOLD fMRI, we implemented a multi-shot approach to achieve 0.8-mm isotropic resolution with sliding-window reconstruction. Unlike GE-BOLD fMRI, the cortical profile of dSE-BOLD fMRI peaked at ~ 1.0 mm from the surface of the primary motor and sensory cortices, demonstrating an improvement of laminar specificity in humans over GE-BOLD fMRI. The proposed multi-shot dSE-EPI method is viable for high spatial resolution UHF-fMRI studies in the pursuit of resolving mesoscopic functional units.
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 | 0,000 |
| 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 ».