Modeling the dynamics of cerebrovascular reactivity to carbon dioxide in fMRI under task and resting-state conditions
Notice bibliographique
Résumé
Conventionally, cerebrovascular reactivity (CVR) is estimated as the amplitude of the hemodynamic response to vascular stimuli, most commonly carbon dioxide (CO2). While the CVR amplitude has established clinical utility, the temporal characteristics of CVR (dCVR) have been increasingly explored and may yield even more pathology-sensitive parameters. This work is motivated by the current need to evaluate the feasibility of dCVR modeling in various experimental conditions. In this work, we present a comparison of several recently published/utilized model-based deconvolution (response estimation) approaches for estimating the CO2 response function h(t), including maximum a posteriori likelihood (MAP), inverse logit (IL), canonical correlation analysis (CCA), and basis expansion (using Gamma and Laguerre basis sets). To aid the comparison, we devised a novel simulation framework that incorporates a wide range of SNRs, ranging from 10 to -7 dB, representative of both task and resting-state CO2 changes. In addition, we built ground-truth h(t) into our simulation framework, overcoming the conventional limitation that the true h(t) is unknown. Moreover, to best represent realistic noise found in fMRI scans, we extracted noise from in-vivo resting-state scans. Furthermore, we introduce a simple optimization of the CCA method (CCAopt) and compare its performance to these existing methods. Our findings suggest that model-based methods can accurately estimate dCVR even amidst high noise (i.e. resting-state), and in a manner that is largely independent of the underlying model assumptions for each method. We also provide a quantitative basis for making methodological choices, based on the desired dCVR parameters, the estimation accuracy and computation time. The BEL method provided the highest accuracy and robustness, followed by the CCAopt and IL methods. Of the three, the CCAopt method has the lowest computational requirements. These findings lay the foundation for wider adoption of dCVR estimation in CVR mapping.
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 | 0,002 |
| 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 | 0,001 | 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 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 ».