Impact of DL HYPR4D Kernel Method on Detection of Task-Induced Neurotransmitter Release
Notice bibliographique
Résumé
We describe an investigation on the impact of the recently proposed deep learning (DL) assisted HYPR4D kernel method (DL HYPR4D-K) on detection of task-induced neurotransmitter release which is highly sensitive to the 4D PET image quality. Human $\left[{ }^{11} \mathrm{C}\right]$ RAC data (a subject with Parkinson’s Disease) with $\sim 15 \mathrm{mCi}$ bolus injection were acquired on GE SIGNA PET/MR for 71 mins. A finger tapping task was introduced at 36 mins post injection. The acquired dynamic data were reconstructed using standard HYPR4D kernel method and DL HYPR4D kernel method. IHYPR4D post processing was applied to the images reconstructed with standard HYPR4D kernel method to further reduce noise (i.e. HYPR4D-K + IHYPR4D). A recently proposed Residual Space Detection (RSD) method was applied to the images reconstructed with DL HYPR4D-K and HYPR4D-K + IHYPR4D to produce neurotransmitter release maps as well as histograms of release amplitudes. Simulations were also performed to see if the trend observed from human data agrees with simulated results. It was observed that better preservation of release amplitude (~ 60%) can be achieved by the DL HYPR4D-K as compared to HYPR4D-K + IHYPR4D, and this resulted in additional detection of voxels likely with release. In addition, DL HYPR4D-K enables detections of smaller clusters of release and clusters with lower release amplitudes compared to HYPR4D-K + IHYPR4D.
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 ».