Modelling white matter microstructure using diffusion OGSE MRI: Model and analysis choices
Notice bibliographique
Résumé
Alterations in white matter (WM) microstructure of the central nervous system have been shown to be pathophysiological presentations of various neurodegenerative disorders . Current methods for measuring such WM features require ex vivo tissue samples analyzed using electron microscopy . Magnetic Resonance Imaging (MRI) diffusion-weighted pulse sequences provide a non-invasive tool for estimating such microstructural features in vivo. The current project investigated the use of two methods of analysis, including the ROI-based (Region of Interest, RBA) and voxel-based analysis (VBA), as well as four mathematical models of WM microstructure, including the ActiveAx Frequency-Independent Extra-Axonal Diffusion (AAI), ActiveAx Frequency-Dependent Extra-Axonal Diffusion (AAD), AxCaliber Frequency-Independent Extra-Axonal Diffusion (ACI), and AxCaliber Frequency-Dependent Extra-Axonal Diffusion (ACD) models. Two mice samples imaged at 7 T and 15.2 T were analyzed. Both the AAI and AAD models provide a single value for each of the fit parameters, including mean effective axon diameter AxD ¯ , packing fraction f in , intra-cellular and D in and extra-cellular D ex diffusion coefficients , as well as the frequency dependence of D ex , β ex for the AAD model. The ACI and ACD models provide this, in addition to a distribution of axon diameters for a chosen ROI. VBA extends this, providing a parameter value for each voxel within the selected ROI, at the cost of increased computational load and analysis time. Overall, RBA-ACD and VBA-AAD were found to be optimal for parameter fitting to physically relevant values in a reasonable time frame. A full comparison of each combination of RBA and VBA with AAI, AAD, ACI, and ACD is provided to give the reader sufficient information to make an informed decision of which model is best for their own experiments.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».