An imaging‐based method of mapping <scp>multi‐echo BOLD</scp> intracranial pulsatility
Notice bibliographique
Résumé
PURPOSE: Cardiac-related intracranial pulsatility may relate to cerebrovascular health, and this information is contained in BOLD MRI data. There is broad interest in methods to isolate BOLD pulsatility, and the current study examines a deep learning approach. METHODS: Multi-echo BOLD images, respiratory, and cardiac recordings were measured in 55 adults. Ground truth BOLD pulsatility maps were calculated with an established method. BOLD fast Fourier transform magnitude images were used as temporal-frequency image inputs to a U-Net deep learning model. Model performance was evaluated by mean squared error (MSE), mean absolute error (MAE), structural similarity index (SSIM), and mutual information (MI). Experiments evaluated the influence of input channel size, an age group effect during training, dependence on TE, performance without the U-Net architecture, and importance of respiratory preprocessing. RESULTS: The U-Net model generated BOLD pulsatility maps with lower MSE as additional fast Fourier transform input images were used. There was no age group effect for MSE (P > 0.14). MAE and SSIM metrics did not vary across TE (P > 0.36), whereas MI showed a significant TE dependence (P < 0.05). The U-Net versus no U-Net comparison showed no significant difference for MAE (P = 0.059); however, SSIM and MI were significantly different between models (P < 0.001). Within the insula, the cross-correlation values were high (r > 0.90) when comparing the U-Net model trained with/without respiratory preprocessing. CONCLUSION: Multi-echo BOLD pulsatility maps were synthesized from a U-net model that was trained to use temporal-frequency BOLD image inputs. This work adds to the deep learning methods that characterize BOLD physiological signals.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».