<i>DeepRetroMoCo:</i> Deep neural network-based Retrospective Motion Correction Algorithm for Spinal Cord functional MRI
Notice bibliographique
Résumé
Abstract There are unique challenges in the preprocessing of spinal cord fMRI data, particularly voluntary or involuntary movement artifacts during image acquisition. Despite advances in data processing techniques for movement detection and correction, there are challenges in extrapolating motion correction algorithm developments in the brain cortex to the brainstem and spinal cord. We trained a Deep Learning-based convolutional neural network (CNN) via an unsupervised learning algorithm, called DeepRetroMoCo, to detect and correct motions in axial T2*-weighted spinal cord data. Spinal cord fMRI data from 27 participants were used for training of the network (135 runs for training and 81 runs for testing). We used average temporal signal-to-noise-ratio (tSNR) and Delta Variation Signal (DVARS) of raw and motion-corrected images to compare the outcome of DeepRetroMoco with sct_fmri_moco implemented in the spinal cord toolbox. The average tSNR in the cervical cord was significantly higher when DeepRetroMoco was used for motion correction compared to sct_fmri_moco method. Average DVARS was lower in images corrected by DeepRetroMoco than those corrected by sct_fmri_moco. The average processing time for DeepRetroMoco was also significantly shorter than sct_fmri_moco. Our results suggest that DeepRetroMoCo improves motion correction procedures in fMRI data acquired from the cervical spinal cord.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».