Multimodal HYPR-based Denoising for Improving Brain Pattern Analysis
Notice bibliographique
Résumé
Brain pattern analysis is an exploratory yet powerful method for deriving disease-related patterns that function as imaging biomarkers. Given that multiple functional systems may be affected in disease, pattern analysis applied to multimodal imaging datasets provides an increasingly detailed view of pathophysiology. Voxelwise pattern analysis is a purely data-driven method for identifying which regions of the brain are most affected. Given the high voxel noise in these datasets, aggressive spatial filtering is usually employed before analysis. However, it has yet to be investigated whether more sophisticated, resolution-preserving denoising operators, such as HYPR, can improve the precision, interpretability, and robustness of identified patterns. As a foray into these questions, we apply HYPR-based denoising to a small pilot FDG-PET/fMRI dataset of Parkinson’s disease subjects before applying pattern analysis. FDG data are reconstructed using PSF-HYPR4D-K-TOFOSEM and fMRI data are processed with a proposed novel 4D HYPR operator. PET denoising reduces noise-induced variation by up to 40% and HYPR-based fMRI denoising enables voxelwise joint analysis of the PET and fMRI data, allowing one to analyze patterns of accordance and discordance from the functional metrics of each modality. Applying voxelwise pattern analysis to the denoised dataset versus traditional aggressive spatial filtering minimizes the amount of resolution loss, allowing for subregional pattern structure to be more precisely characterized. Therefore, more sophisticated denoising provides truly voxelwise, more interpretable patterns, which may have downstream effects on disease understanding and treatment.
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 | 0,002 | 0,005 |
| 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».