An automated BIDS-App for brain segmentation of human fetal functional MRI data
Notice bibliographique
Résumé
Abstract Fetal functional magnetic resonance imaging (fMRI) offers critical insight into the developing brain and could aid in predicting developmental outcomes. As the fetal brain is surrounded by heterogeneous tissue, it is not possible to use adult- or child-based segmentation toolboxes. Manually-segmented masks can be used to extract the fetal brain; however, this comes at significant time costs. Here, we present a new BIDS App for masking fetal fMRI, funcmasker-flex , that overcomes these issues with a robust 3D convolutional neural network (U-net) architecture implemented in an extensible and transparent Snakemake workflow. Open-access fetal fMRI data with manual brain masks from 159 fetuses (1103 total volumes) were used for training and testing the U-net model. We also tested generalizability of the model using 82 locally acquired functional scans from 19 fetuses, which included over 2300 manually segmented volumes. Dice metrics were used to compare performance of funcmasker-flex to the ground truth manually segmented volumes, and segmentations were consistently robust (all Dice metrics ≥0.74). The tool is freely available and can be applied to any BIDS dataset containing fetal bold sequences. funcmasker-flex reduces the need for manual segmentation, even when applied to novel fetal functional datasets, resulting in significant time-cost savings for performing fetal fMRI analysis.
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) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,039 | 0,013 |
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 ».