Improved laminar specificity and sensitivity by combining SE and GE BOLD signals
Notice bibliographique
Résumé
The most widely used gradient-echo (GE) blood oxygenation level-dependent (BOLD) contrast has high sensitivity, but low specificity due to draining vein contributions, while spin-echo (SE) BOLD approach at ultra-high magnetic fields is highly specific to neural active sites but has lower sensitivity. To obtain high specificity and sensitivity, we propose to utilize a vessel-size-sensitive filter to the GE-BOLD signal, which suppresses macrovascular contributions and to combine selectively retained microvascular GE-BOLD signals with the SE-BOLD signals. To investigate our proposed idea, fMRI with 0.8 mm isotropic resolution was performed on the primary motor and sensory cortices in humans at 7 T by implementing spin- and gradient-echo (SAGE) echo planar imaging (EPI) acquisition. Microvascular-passed sigmoidal filters were designed based upon the vessel-size-sensitive ΔR2*/ΔR2 value for retaining GE-BOLD signals originating from venous vessels with ≤ 45 μm and ≤ 65 μm diameter. Unlike GE-BOLD fMRI, the laminar profile of SAGE-BOLD fMRI with the vessel-size-sensitive filter peaked at ∼ 1.0 mm from the surface of the primary motor and sensory cortices, demonstrating an improvement of laminar specificity over GE-BOLD fMRI. Also, the functional sensitivity of SAGE BOLD at middle layers (0.75–1.5 mm) was improved by ∼ 80% to ∼100% when compared with SE BOLD. In summary, we showed that combined GE- and SE-BOLD fMRI with the vessel-size-sensitive filter indeed yielded improved laminar specificity and sensitivity and is therefore an excellent tool for high spatial resolution ultra-high filed (UHF)-fMRI studies for resolving mesoscopic functional units.
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 ».