Towards Reproducible and Resource‐Efficient Perfusion Imaging Analysis for African Dementia Imaging Research
Notice bibliographique
Résumé
BACKGROUND: Arterial spin labelling (ASL) is an established magnetic resonance imaging (MRI) technique for non-invasive assessment of cerebral blood flow (CBF). However, the lack of expertise and the costly computational resources required to analyze ASL data are major barriers to its use in resource-constrained settings (RCS), particularly in Africa. ASL-MRICloud was recently introduced as the only cloud-based open-source option for ASL processing that requires no installation on local computers, making it suited for ASL analysis in RCS. METHODS: In this work, we implemented ASL-MRICloud in Google Colab to perform data analysis at scale and minimal cost, with the aim of enhancing population studies reproducibility in RCS. This work was performed as a training exercise of the CONNExIN (COmprehensive Neuroimaging aNalysis Experience In resource-constraiNed Settings) Program, a neuroimage analysis training program for African researchers. A team of CONNExIN participants leveraged the Open Science Initiative for Perfusion Imaging ASL (OSIPI-ASL) MRI Challenge dataset (n = 10) to test the implemented ASL-MRICloud Google Colab. The pipeline included a data preparation step for data conversion and generation of parameter files to be used for data processing. ASL processing and CBF quantification were then performed using automated steps in ASL-MRICloud to generate whole-brain CBF maps and extract preset regional values. The pipeline was validated by comparing the CBF maps and regional values to their ground-truth, ASL-MRICloud developer analysis, and results from other established ASL processing tools (Oxford ASL and Quantiphyse). The Google Colab implementation was provided to four CONNExIN teams to replicate the challenge data processing and analyze the dataset of 75 subjects from the PREVENT-AD (PResymptomatic EValuation of Experimental or Novel Treatments for AD) study. RESULTS: Preliminary results from the simulated OSIPI-ASL dataset generated from our pipeline are shown in Figure 1. The pipeline, documentation, and results of the analysis from the four teams will be made publicly available on Protocol.io. CONCLUSION: Using simulated (OSIPI-ASL) and real-world (PREVENT-AD) data, we aim to assess the feasibility of a resource-efficient image processing tool for reproducible ASL data analysis. Once implemented, we will share our approach for wider use in RCS to enable inclusive and reproducible imaging research.
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 | 0,013 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,005 |
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 ».