Physiological Confounds in BOLD‐fMRI and Their Correction
Notice bibliographique
Résumé
Functional magnetic resonance imaging (fMRI) has opened new frontiers in neuroscience by instrumentally driving our understanding of brain function and development. Despite its substantial successes, fMRI studies persistently encounter obstacles stemming from inherent, unavoidable physiological confounds. The adverse effects of these confounds are especially noticeable with higher magnetic fields, which have been gaining momentum in fMRI experiments. This review focuses on the four major physiological confounds impacting fMRI studies: low-frequency fluctuations in both breathing depth and rate, low-frequency fluctuations in the heart rate, thoracic movements, and cardiac pulsatility. Over the past three decades, numerous correction techniques have emerged to address these challenges. Correction methods have effectively enhanced the detection of task-activated voxels and minimized the occurrence of false positives and false negatives in functional connectivity studies. While confound correction methods have merit, they also have certain limitations. For instance, model-based approaches require externally recorded physiological data that is often unavailable in fMRI studies. Methods reliant on independent component analysis, on the other hand, need prior knowledge about the number of components. Machine learning techniques, although showing potential, are still in the early stages of development and require additional validation. This article reviews the mechanics of physiological confound correction methods, scrutinizes their performance and limitations, and discusses their impact on fMRI studies.
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) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».