From Blood Oxygenation Level Dependent (BOLD) signals to brain temperature maps
Notice bibliographique
Résumé
Abstract A theoretical framework is presented for converting Blood Oxygenation Level Dependent (BOLD) images to temperature maps, based on the idea that disproportional local changes in cerebral blood flow (CBF) as compared with cerebral metabolic rate of oxygen consumption (CMRO2) during functional brain activity, lead to both brain temperature changes and the BOLD effect. Using an oxygen limitation model and a BOLD signal model we obtain a transcendental equation relating CBF and CMRO2 changes with the corresponding BOLD signal, which is solved in terms of the Lambert W function. Inserting this result in the dynamic bio-heat equation describing the rate of temperature changes in the brain, we obtain a non autonomous ordinary differential equation that depends on the BOLD response, which is solved numerically for each brain voxel. In order to test the method, temperature maps obtained from a real BOLD dataset are calculated showing temperature variations in the range: (-0.15, 0.1) which is consistent with experimental results. The method could find potential clinical uses as it is an improvement over conventional methods which require invasive probes and can record only few locations simultaneously. Interestingly, the statistical analysis revealed that significant temperature variations are more localized than BOLD activations. This seems to exclude the use of temperature maps for mapping neuronal activity as areas where it is well known that electrical activity occurs (such as V5 bilaterally) are not activated in the obtained maps. But it also opens questions about the nature of the information processing and the underlying vascular network in visual areas that give rise to this result.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,006 | 0,014 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».