Robust automated preclinical fMRI preprocessing via a multi-stage dilated convolutional Swin Transformer affine registration
Notice bibliographique
Résumé
Introduction: Accurate preprocessing of functional magnetic resonance imaging (fMRI) data is crucial for effective analysis in preclinical studies. Key steps such as denoising, skull-stripping, and affine registration are essential to align fMRI data with a standard atlas. However, challenges such as low resolution, variations in brain geometry, and limited dataset sizes often hinder the performance of traditional and deep learning-based methods. Methods: To address these challenges, we propose a preclinical fMRI preprocessing pipeline that integrates advanced deep learning modules, with a particular focus on a newly developed Swin Transformer-based affine registration method. The pipeline incorporates our previously established modules for 3D Generative Adversarial Network (GAN)-based denoising and Transformer-based skull stripping, followed by the proposed Multi-stage Dilated Convolutional Swin Transformer (MsDCSwinT) for affine registration. This new registration method captures both local and global spatial misalignments, ensuring accurate alignment with a standard atlas even in challenging preclinical datasets. Results: We validate the pipeline across multiple preclinical fMRI studies and demonstrate that our affine registration module achieves higher average Dice similarity coefficients compared to state-of-the-art methods. Discussion: By leveraging GANs and Transformers, our pipeline offers a robust, accurate, and fully automated solution for preclinical fMRI.
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 | 0,002 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».