A Unified Filtering Method for Estimating Asymmetric Orientation Distribution Functions: Where and How Asymmetry Occurs in the Brain
Notice bibliographique
Résumé
Abstract Numerous filtering methods have been proposed for estimating asymmetric orientation distribution functions (ODFs) for diffusion magnetic resonance imaging (dMRI). It can be hard to make sense of all these different methods, which share similar features and result in similar outputs. The objectives of this work are two-fold: to disentangle the various filtering methods proposed in the past for estimating asymmetric ODFs, and to study the occurrence of asymmetric patterns in dMRI brain acquisitions. Hence, we describe a new filtering equation for estimating asymmetric ODFs resulting from the unification of these previously proposed filtering methods. Our method is distributed as an open-source GPU-accelerated python software to facilitate its integration into any existing dMRI processing pipeline. Following its validation on toy datasets, we apply our method to multi-shell multi-tissue fiber ODF reconstructions for 21 subjects from the Human Connectome Project in test-retest acquisitions. Our results show that our method estimates branching, fanning, bending, ending and other complex asymmetric fiber configurations in less than 2 minutes. Also, our novel number of fiber directions (NuFiD) index reveals that the filtering reduces the number of peak directions in the resulting asymmetric representation. Finally, our MNI-aligned template of asymmetries, describing the degree of asymmetry of each voxel, suggests that at least 60% of brain voxels in a dMRI acquisition contain asymmetric fiber configurations.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,002 | 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) | 0,002 | 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 ».