Multimodal pipeline for HCP-compatible processing and registration of legacy datasets (MRI, MEG, and EEG)
Notice bibliographique
Résumé
Extracting cortical features, which are the most relevant at characterizing structure and function for normal or abnormal brain conditions, would greatly benefit from multimodal neuroimage processing following the surface-based style. This style recognizes the natural definition space for such features due to the layered (surface-based) Cortex structural and functional organization. It may therefore be more sensitive and specific than the former volume-based style. The Human Connectome Project (HCP) multimodal pipelines render high-quality surface-based processing for some of the most consistently acquired neuroimaging modalities, with the quality too reliant on their precise acquisition requirements. Relevant international brain initiatives are espoused to develop an HCP-compatible neuroinformatic facility for the quality-ensured processing of international neuroimaging datasets, which may not follow the specific HCP acquisition requirements, also coined as legacy datasets. We appointed some initiatives to introduce multimodal pipelines in two HCP-compatible processing branches. a) Structural: forward- modeling with geometry (sources and head) and Lead Fields defined for legacy MEG, or EEG, in the HCP individual cortical space (Cifti) obtained from legacy MRI. Our pipeline (Ciftify-MEEG) leverages a more diverse neuroinformatic repository than the HCP structural or MEG pipelines. Ciftify-MEEG produces substantial processing illustrated here with EEG examples, incorporating alternative processing paths and corrections based on a quality control loop and upon qualitative and quantitative indicators. b) Functional: identifying spectral topographies and connectomes for the cortical oscillatory activity observed in the MEG or EEG frequency bands. We leverage a novel repository of Bayesian sparse inverse methods that target identifying the topographies and connectomes with actual statistical guarantees, the brain connectivity Variable Resolution Electromagnetic Tomographic Analysis (BC-VARETA). Our pipeline design for BC-VARETA, which we denominate Ciftify-bcVARETA, is integrated into the Ciftify- MEEG outputs and with Bayesian sparse priors structured upon Cifti space information. Ciftify-bcVARETA identification is less biased to forward models and more biased to the observations than the HCP pipeline illustrated here with topographies obtained for MEG and EEG legacy databases.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,061 | 0,045 |
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 ».