Quantitative examination of a novel clustering method using magnetic resonance diffusion tensor tractography
Notice bibliographique
Résumé
MR diffusion tensor imaging (DTI) can measure and visualize organization of white matter fibre tracts in vivo. DTI is a relatively new imaging technique, and new tools developed for quantifying fibre tracts require evaluation. The purpose of this study was to compare the reliability of a novel clustering approach with a multiple region of interest (MROI) approach in both healthy and disease (schizophrenia) populations. DTI images were acquired in 20 participants (n=10 patients with schizophrenia: 56 ± 15 years; n=10 controls: 51 ± 20 years) (1.5 Tesla GE system) with diffusion gradients applied in 23 non-collinear directions, repeated three times. Whole brain seeding and creation of fibre tracts were then performed. Interrater reliability of the clustering approach, and the MROI approach, were each evaluated and the methods compared. There was high spatial (voxel-based) agreement within and between the clustering and MROI methods. Fractional anisotropy, trace, and radial and axial diffusivity values showed high intraclass correlation (p<0.001 for all tracts) for each approach. Differences in scalar indices of diffusion between the clustering and MROI approach were minimal. The excellent interrater reliability of the clustering method and high agreement with the MROI method, quantitatively and spatially, indicates that the clustering method can be used with confidence. The clustering method avoids biases of ROI drawing and placement, and, not limited by a priori predictions, may be a more robust and efficient way to identify and measure white matter tracts of interest.
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 ».