Performance of Temporal and Spatial Independent Component Analysis in Identifying and Removing Low-Frequency Physiological and Motion Effects in Resting-State fMRI
Notice bibliographique
Résumé
Effective separation of signal from noise (including physiological processes and head motion) is one of the chief challenges for improving the sensitivity and specificity of resting-state fMRI (rs-fMRI) measurements and has a profound impact when these noise sources vary between populations. Independent component analysis (ICA) is an approach for addressing these challenges. Conventionally, due to the lower amount of temporal than spatial information in rs-fMRI data, spatial ICA (sICA) is the method of choice. However, with recent developments in accelerated fMRI acquisitions, the temporal information is becoming enriched to the point that the temporal ICA (tICA) has become more feasible. This is particularly relevant as physiological processes and motion exhibit very different spatial and temporal characteristics when it comes to rs-fMRI applications, leading us to conduct a comparison of the performance of sICA and tICA in addressing these types of noise. In this study, we embrace the novel practice of using theory (simulations) to guide our interpretation of empirical data. We find empirically that sICA can identify more noise-related signal components than tICA. However, on the merit of functional-connectivity results, we find that while sICA is more adept at reducing whole-brain motion effects, tICA performs better in dealing with physiological effects. These interpretations are corroborated by our simulation results. The overall message of this study is that if ICA denoising is to be used for rs-fMRI, there is merit in considering a hybrid approach in which physiological and motion-related noise are each corrected for using their respective best-suited ICA approach.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».