BOLDsωimsuite: A new software suite for forward modeling of the BOLD fMRI signal
Notice bibliographique
Résumé
*) in quantitative MRI. Simulations of this nature can be difficult to implement without prior experience, and differences made by methodological choices can be unclear, which provides a significant barrier of entry into the field. In this paper, we present BOLDsωimsuite, a toolbox for forward modeling of the BOLD effect, which collects many of the principal methods used in the literature into a single coherent package. Implemented as a Python package, simulations are made using scripts by combining various simulation components, thereby providing flexibility in methodological choices. The goal of this toolbox is to provide an open-source, reproducible simulation software suite that is adaptable for different MRI applications, and to which additional features can be added by the user with relative ease. This paper first provides an overview of the methods available in the package and how these methods can be constructed from the toolbox's modular code components. Then, a brief theoretical explanation of each simulation component is given, supported by the relevant contributors. Next, sample simulations and analyzes that can be created using the package are presented to display its features. Finally, recommendations regarding computational requirements are included to help users choose the best simulation methods to fit their needs. This package has many use cases and significantly reduces methodological barriers to forward modeling. It can also be a good learning tool for MR physics as well as a powerful tool to promote reproducible science.
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 | 0,000 |
| 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 ».