<scp>Test–retest</scp> reliability of diffusion tensor imaging scalars in 5‐year‐olds
Notice bibliographique
Résumé
Diffusion tensor imaging (DTI) has provided great insights into the microstructural features of the developing brain. However, DTI images are prone to several artifacts and the reliability of DTI scalars is of paramount importance for interpreting and generalizing the findings of DTI studies, especially in the younger population. In this study, we investigated the intrascan test-retest repeatability of four DTI scalars: fractional anisotropy (FA), mean diffusivity (MD), axial diffusivity (AD), and radial diffusivity (RD) in 5-year-old children (N = 67) with two different data preprocessing approaches: a volume censoring pipeline and an outlier replacement pipeline. We applied a region of interest (ROI) and a voxelwise analysis after careful quality control, tensor fitting and tract-based spatial statistics. The data had three subsets and each subset included 31, 32, or 33 directions thus a total of 96 unique uniformly distributed diffusion encoding directions per subject. The repeatability of DTI scalars was evaluated with intraclass correlation coefficient (ICC(3,1)) and the variability between test and retest subsets. The results of both pipelines yielded good to excellent (ICC(3,1) > 0.75) reliability for most of the ROIs and an overall low variability (<10%). In the voxelwise analysis, FA and RD had higher ICC(3,1) values compared to AD and MD and the variability remained low (<12%) across all scalars. Our results suggest high intrascan repeatability in pediatric DTI and lend confidence to the use of the data in future cross-sectional and longitudinal studies.
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 | 0,012 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».