Diffusion Bubble Model: A novel MRI approach for detection and subtyping of neonatal punctate white matter lesions
Notice bibliographique
Résumé
Diffusion magnetic resonance imaging, particularly diffusion tensor imaging (DTI), is an indispensable non-invasive tool for visualizing brain structure and detecting injuries by tracking water molecule motion. However, DTI may overlook subtle microstructural alterations due to its oversimplified model. In this study, we introduced the Diffusion Bubble Model (DBM), a spectrum-based framework that decomposes each voxel's signal into a continuum of isotropic "bubbles" after the anisotropic tensor adjustment, thereby capturing a spectrum with continuous range of restriction levels. From the resulting isotropic-diffusion spectrum we derive metrics representing the spectrum and free-water of the tissue voxel. We applied DBM to diffusion data from 20 infants with punctate white-matter lesions (PWMLs) in the optic radiation and compared lesion regions with contralateral regions as well as matched controls. DBM segregated the lesions into two phenotypes that DTI could not differentiate: wet-type (N=10), showing up to +155.0% elevated free water versus control (+125.1%vs. contralateral), and dry-type (N=10), with -68.4% less free water compared to contralateral and no difference versus controls. Notably, wet-type lesions exhibited stronger slow-diffusion shifts on DBM (-37.6% in the 1/4 area line, -52.7% in left FWHM) than changes in mean diffusivity (-30.3%) from DTI. These findings suggest that DBM can reveal microstructural heterogeneity invisible to conventional DTI, offering a promising tool for refined characterization and monitoring of neonatal brain injury.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».