VRNConnect: A virtual reality immersive environment for exploring brain connectivity data
Notice bibliographique
Résumé
Introduction: A brain connectome models the clusters of neurons as inter-connected nodes and can be obtained from different imaging techniques, including diffusion and functional MRI, for structural and functional connectivity, respectively. It offers us the opportunity to gain further insights regarding neural circuitry to better understand the mechanisms of brain functions and diseases. However, visualization, spatial understanding, and analysis of the network’s topology are difficult due to the neuroanatomy’s complex configuration of brain parcellation and 3D nature. Virtual reality (VR) off ers more intuitive visualization andinteraction for 3D data than traditional 2D displays and is a great fi t to tackle the challenges in visualizing andanalyzing brain connectomes. We introduce a novel immersive VR platform for connectomic data exploration, VRNConnect, with a user-friendly interface for quantitative network analysis and exploration. We demonstrated the functionalities of the system with structural connectivity. Methods: The VRNConnect software was built using the Unity 3D game engine (v2021.3) and Oculus integration SDKv38. An Occulus Quest2 VR headset was used for system development. To create the structural connectome, we used the DWI and T1w MRI of a single subject provided by the B.A.T.M.A.N tutorial. Whole braintractography was performed using the iFOD2 and SIFT algorithms in MRtrix3, and the connectivitymatrix was extracted with the HCP-MMP1 atlas, resulting in 360 nodes. To allow interactive networkanalysis, we employed the Brain Connectome Toolbox library (bctpy v0.6) as the backends for our VR userinterface to compute graph-based metrics, such as clustering coefficient and the shortest path betweennodes, which can be calculated on both hop count- or distance-based. Both controller- and hand gesture basednode and edge selection and interaction were implemented to pick the node of interest, and functions,including connectivity strength thresholding and brain model scaling and zooming. Furthermore, thesoftware allows users to import their connectomic data and/or utilize their own toolbox (with minor codingadjustments) for analysis.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,037 | 0,003 |
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 ».