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= # Subject to processSUBJECT=sub-01 # Output directoryOUT= # 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 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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,184 | 0,105 |
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 ».