MétaCan
Menu
Retour à la cohorte
Enregistrement W4413433442 · doi:10.1117/1.nph.12.s1.s14616

Bridging the gap: umIT makes complex imaging data accessible to scientists of all backgrounds

2025· article· en· W4413433442 sur OpenAlexafffund
Bruno Souza, Montana Samantzis, Samuel Bélanger, Jean‐François Bouchard, Matilde Balbi, Matthieu P. Vanni

Notice bibliographique

RevueNeurophotonics · 2025
Typearticle
Langueen
DomaineNeuroscience
ThématiqueFunctional Brain Connectivity Studies
Établissements canadiensAssociation for Canadian StudiesUniversité de MontréalÉcole de Technologie Supérieure
Organismes subventionnairesFonds de Recherche du Québec - SantéNational Health and Medical Research CouncilNatural Sciences and Engineering Research Council of CanadaMitacsRéseau en Bio-Imagerie du Quebec
Mots-clésBridging (networking)Computer scienceData scienceComputer security

Résumé

récupéré en direct d'OpenAlex

Significance: In recent years, numerous open-source tools have been developed to facilitate data analysis in neuroscience, significantly encouraging the use of high-throughput approaches and promoting standardizing methods. Tools for macroscopic mapping (e.g., magnetic resonance imaging, electroencephalogram) and microscopic techniques (e.g., multi-electrode electrophysiology, calcium imaging) are now widely available. Aim: However, at the intermediate spatial level, the mesoscopic scale, there is a lack of equivalent open-source resources even though this scale is crucial for understanding the function of cortical maps. Optical techniques such as calcium imaging are well suited to investigate this scale, enabling measurements of cortical responses and functional connectivity. Yet, analyzing complex, multiparameter datasets remains challenging. Existing toolboxes are restricted in handling the complexity of such data, limiting their utility for mesoscale studies. Approach: To address these challenges, we propose the Universal Mesoscale Imaging Toolbox (umIT), an open-source MATLAB-based platform developed to analyze large-scale imaging datasets. Results: umIT supports a comprehensive, streamlined workflow accessible via both a graphical user interface and command-line interface, eliminating the need for third-party software. Conclusions: This toolbox aims to make mesoscale imaging more accessible and transparent, facilitating robust comparisons across regions, groups, and time points (longitudinal studies). Importantly, umIT was also designed to facilitate intuitive interaction with mesoscale data, an aspect that may be particularly valuable for trainees who are just beginning to work with wide-field optical imaging.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,038
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Logiciel · Signal consensuel: aucune
Score de désaccord entre enseignants0,029
Score d'incertitude au seuil0,096

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,038
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0030,002
Études des sciences et des technologies0,0010,003
Communication savante0,0060,008
Science ouverte0,0040,011
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0290,021

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.

Tête enseignante Opus0,165
Tête enseignante GPT0,371
Écart entre enseignants0,205 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreLogiciel

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNeurophotonicsMême sujetFunctional Brain Connectivity StudiesTravaux en français237 207