Ultrahigh-resolution 3D cytoarchitectonic map of Area MFG2 of the human anterior dorsolateral prefrontal cortex (DLPFC) created by a Deep-Learning assisted workflow (v1)
Notice bibliographique
Résumé
This dataset contains automatically created detailed map of the area MFG2 of the human anterior dorsolateral prefrontal cortex (DLPFC) in the BigBrain dataset. The mappings were created using Deep Convolutional Neural Networks based on Schiffer et al. 2021, which were trained on delineations on at least every 30th section created based on Bruno et al. 2022. Mappings are available on every section. Their quality was observed by a trained neuroscientist to exclude sections with low-quality results from further processing. Automatic mappings were transformed to the 3D reconstructed BigBrain space using transformations used in Amunts et al. 2013, which were provided by Claude Lepage (McGill). Mappings on individual sections were used to assemble 3D volumes of all areas. Low-quality results were replaced by interpolation between nearest neighboring sections. The volumes were then smoothed using a 3D median filter, and the largest connected components were identified to remove false positive results of the classification algorithm. The dataset consists of an HDF5 file containing the volume in RAS dimension ordering (20-micron isotropic resolution, dataset “volume”) and an affine transformation matrix (dataset “affine”). An additional dataset, “interpolation_info”, contains an integer vector with an integer value for each section which indicates if a section was replaced by interpolation due to low-quality results (value 2) or not (value 1). Due to the large size of the volume, it is recommended to view the data online using the provided viewer link.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,034 | 0,020 |
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 ».