Comparing data-driven physiological denoising approaches for resting-state fMRI: implications for the study of aging
Notice bibliographique
Résumé
Introduction: Physiological nuisance contributions by cardiac and respiratory signals have a significant impact on resting-state fMRI data quality. As these physiological signals are often not recorded, data-driven denoising methods are commonly used to estimate and remove physiological noise from fMRI data. To investigate the efficacy of these denoising methods, one of the first steps is to accurately capture the cardiac and respiratory signals, which requires acquiring fMRI data with high temporal resolution. Methods: In this study, we used such high-temporal resolution fMRI data to evaluate the effectiveness of several data-driven denoising methods, including global-signal regression (GSR), white matter and cerebrospinal fluid regression (WM-CSF), anatomical (aCompCor) and temporal CompCor (tCompCor), ICA-AROMA. Our analysis focused on the consequence of changes in low-frequency, cardiac and respiratory signal power, as well as age-related differences in terms of functional connectivity (fcMRI). Results: Our results confirm that the ICA-AROMA and GSR removed the most physiological noise but also more low-frequency signals. These methods are also associated with substantially lower age-related fcMRI differences. On the other hand, aCompCor and tCompCor appear to be better at removing high-frequency physiological signals but not low-frequency signal power. These methods are also associated with relatively higher age-related fcMRI differences, whether driven by neuronal signal or residual artifact. These results were reproduced in data downsampled to represent conventional fMRI sampling frequency. Lastly, methods differ in performance depending on the age group. Discussion: While this study cautions direct comparisons of fcMRI results based on different denoising methods in the study of aging, it also enhances the understanding of different denoising methods in broader fcMRI applications.
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 | 0,023 | 0,053 |
| 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 | 0,002 |
| 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 | 0,000 |
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 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 ».