Effect of number of diffusion encoding directions in Neonatal Diffusion Tensor Imaging using Tract-Based Spatial Statistical analysis
Notice bibliographique
Résumé
Abstract Diffusion Tensor Imaging (DTI) has been used to study the developing brain in early childhood, infants and in utero studies. In infants, number of used diffusion encoding directions has traditionally been smaller in earlier studies down to the minimum of 6 orthogonal directions. While the more recent studies often involve more directions, number of used directions remains an issue when acquisition time is optimized without compromising on data quality and in retrospective studies. Variability in the number of used directions may introduce bias and uncertainties to the DTI scalar estimates that affect cross-sectional and longitudinal study of the brain. We analyzed DTI images of 133 neonates, each data having 54 directions after quality control, to evaluate the effect of number of diffusion weighting directions from 6 to 54 with interval of 6 to the DTI scalars with Tract-based spatial statistics (TBSS) analysis. The TBSS analysis was applied to DTI scalar maps, and the mean Region of Interest (ROI) values were extracted using JHU atlas. We found significant bias in ROI mean values when only 6 directions were used (positive in FA, negative in MD, AD, RD), while when using 24 directions and above, the difference to scalar values calculated from 54 direction DTI was negligible. Using DTI measurements from data with at least 24 directions may be used in comparisons with DTI measurements from data with higher numbers of directions.
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 | 0,013 | 0,073 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».