Modeling venous bias in resting state functional <scp>MRI</scp> metrics
Notice bibliographique
Résumé
Resting-state (rs) functional magnetic resonance imaging (fMRI) is used to detect low-frequency fluctuations in the blood oxygen-level dependent (BOLD) signal across brain regions. Correlations between temporal BOLD signal fluctuations are commonly used to infer functional connectivity. However, because BOLD is based on the dilution of deoxyhemoglobin, it is sensitive to veins of all sizes, and its amplitude is biased by draining veins. These biases affect local BOLD signal location and amplitude, and may also influence BOLD-derived connectivity measures, but the magnitude of this venous bias and its relation to vein size and proximity is unknown. Here, veins were identified using high-resolution quantitative susceptibility maps and utilized in a biophysical model to investigate systematic venous biases on common local rsfMRI-derived measures. Specifically, we studied the impact of vein diameter and distance to veins on the amplitude of low-frequency fluctuations (ALFF), fractional ALFF (fALFF), Hurst exponent (HE), regional homogeneity (ReHo), and eigenvector centrality values in the grey matter. Values were higher across all distances in smaller veins, and decreased with increasing vein diameter. Additionally, rsfMRI values associated with larger veins decrease with increasing distance from the veins. ALFF and ReHo were the most biased by veins, while HE and fALFF exhibited the smallest bias. Across all metrics, the amplitude of the bias was limited in voxel-wise data, confirming that venous structure is not the dominant source of contrast in these rsfMRI metrics. Finally, the models presented can be used to correct this venous bias in rsfMRI metrics.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 tête enseignante, 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 ».