Blurred streamlines: A novel representation to reduce redundancy in tractography
Notice bibliographique
Résumé
Tractography is a powerful tool to study brain connectivity in vivo, but it is well known to suffer from an intrinsic trade-off between sensitivity and specificity. A critical - but usually underrated - parameter to choose that can heavily impact the quality of the estimates is the number of streamlines to be reconstructed for a given data set. In fact, sensitivity can be improved by generating more and more streamlines, as all real anatomical connections are likely reconstructed, but lots of false positives are inevitably introduced, too. Consequently, so-called tractography filtering techniques have become increasingly popular to get rid of these false positives and improve specificity. However, increasing number of streamlines introduces redundancy in tractography reconstructions, which may negatively impact the performance of filtering algorithms, especially those based on linear formulations. To address this problem, we introduce a novel streamlines representation, called "blurred streamlines", which drastically reduces the redundancy among streamlines by (i) clustering similar trajectories and (ii) spatially blurring the corresponding signal contributions. We tested the effectiveness of the blurred streamlines both on synthetic and in vivo data. Our results clearly show that this new representation is as accurate as state-of-the-art methods despite using only 5% of the input streamlines, thus significantly decreasing the computational complexity of filtering algorithms as well as storage requirements of the resulting reconstructions.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».