Notice bibliographique
Résumé
Generates surfaces at various white matter depths (default 1, 2, and 3 milimiters).The depths are calculated based on the real world image resolution voxel size and transformed to milimiters. MethodThis is done by first computing a Laplace field over white matter (cortex to subcortex+ventricles), and then shifting an exiting white matter surface along that gradient.Stopping conditions are set by geodesic distance travelled. Installation```git clone https://github.com/jordandekraker/superficial-white-matter.gitpip install superficial-white-matter/``` Usage with Freesurfer/Fastsurfer (example) > The code expects *standard* nifti orientation, in which the resolution is the diagonal of the header affine matrix. Running the inputs through `fslreorient2std` will ensure that everything is calculated correctly. ```bash# This is the freesurfer/fastSurfer Subject directorySUBJECTS_DIR=<path to surface subjects directory FreeSurfer/FastSurfer> # Subject to processSUBJECT=sub-01 # Output directoryOUT=<path to output directory> # Convert segmentation to NIFTIaparc_aseg=${OUT}/${SUBJECT}_aparc+aseg.nii.gzmri_convert ${SUBJECTS_DIR}/${SUBJECT}/mri/aparc+aseg.mgz ${aparc_aseg} # Reorient to standardfslreorient2std ${aparc_aseg} ${aparc_aseg} # 1. Calculate the Laplace fieldpython sWM/laplace_solver.py \ ${aparc_aseg} \ ${OUT}/${SUBJECT}_laplace-wm.nii.gz # 2. Generate the surfaces for each hemispherefor hemi in lh rh; do # White matter surface WM=${SUBJECTS_DIR}/${SUBJECT}/surf/${hemi}.white WM_gii=${OUT}/${SUBJECT}_hemi-${hemi}_label-white.surf.gii # Convert white matter to GIFTI mris_convert ${WM} ${WM_gii} # Calculate the SWM surfaces python sWM/surface_generator.py \ "${WM_gii}" \ ${OUT}/${SUBJECT}_laplace-wm.nii.gz \ ${OUT}/${SUBJECT}_hemi-${hemi}_label-sWF_depth-done ``` > If you ran `micapipe v0.2.0` or higher check the example script: [`example_usage.sh`](./example_usage.sh)> `SWM` is implemented in [`micapipe v0.2.3`](https://github.com/MICA-MNI/micapipe/releases/tag/v0.2.3) API `laplace_solver.py````pythonSolves Laplace equation over the domain of white matter. Using grey matter as the source and ventricles as the sink.Inputs are expected to be Free/FastSurfer aparc+aseg.mgz in .nii.gz format Parameters----------NIFTI : str Parcellation file generated by Freesurfer/fastsurfre in nii.gz format (from mri/aparc+aseg.mgz).NIFTI : str Output laplacian file path (nii.gz) Returns-------NIFTI Laplacian image (nii.gz) Usage-----laplace_solver.py aparc+aseg.nii.gz laplace-wm.nii.gz``` `surface_generator.py````pythonShifts a white matter surface inward along a Laplace field Parameters----------GIFTI : str White matter surface in GIFTI format (surf.gii)NIFTI : str laplacian image generated by laplace_solver.pyOUTPUT : str path and name to the output surfacesDEPTHS : list [int | float] (OPTIONAL) DEFAULT=[1,2,3] List of depths to sample (in voxels) Returns-------NIFTI a list of strings representing the header columns Usage-----surface_generator.py hemi-L_label-white.surf.gii laplace-wm.nii.gz hemi-L_label-sWF_depth- 1,2,3``` Superficial White Matter © 2023 by Jordan DeKraker is licensed under CC BY-NC-SA 4.0. To view a copy of this license, visit http://creativecommons.org/licenses/by-nc-sa/4.0/
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,028 | 0,281 |
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 ».