Comparison of Diffusion Kurtosis Imaging to Diffusion Basis Spectrum Imaging in Healthy Young Adults
Notice bibliographique
Résumé
Diffusion Tensor Imaging is sensitive to changes in microstructure, but in a way that can be non-specific to the underlying microstructural cause. For example, neurite dispersion and demyelination both lead to decreased FA. These ambiguities in interpretation, as well as advances in image acquisition, have motivated the development of more detailed models of diffusion. Two such models are Diffusion Kurtosis Imaging (DKI) [Jensen 2005] and Diffusion Basis Spectrum Imaging (DBSI) [Ramirez Manzanares 2007]. DKI is a mathematical model of the higher-order properties of the diffusion profile, while DBSI is a biophysically informed model of the underlying tissue microstructure.<br>Three commonly used measures from DKI are: Mean Kurtosis (MK) Axial Kurtosis (AK), Radial Kurtosis(RK). These parameters represent the degree of nongaussianity in the diffusion profile generally for MK, parallel to the principal diffusion direction for AK, and perpendicular for RK. For DBSI, there are four main measures: Water Ratio (WR), Fiber Ratio (FR), Hindered Ratio (HR) and Restricted Ratio (RR). These measures represent the proportion of signal assigned to various compartments by the DBSI model, and they sum to unity.<br>These models have not been directly compared in humans. In this study, we examined the relationship between the parameters calculated using both of these models fitted to the same diffusion data in healthy young adults. This is an exploratory study of the relationship between DKI and DBSI parameters across multiple human subjects.<br>This poster was presented at the 2017 meeting of the Organization for Human Brain Mapping in Vancouver, BC
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,032 | 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 tête enseignante, 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 ».