IRM de diffusion par encodage tenseur-b : déconvolution sphérique contrainte et décomposition de la variance diffusionnelle
Bibliographic record
Abstract
Le cerveau humain est composé de plusieurs milliards de neurones qui forment une multitude de connexions, se regroupant en fibres de matière blanche (WM) sur plus de 160 000 kilomètres au total. L’imagerie par résonance magnétique (IRM) de diffusion (IRMd) tire profit de l’atténuation du signal de résonance magnétique causée par la diffusion des molécules d’eau dans le cerveau pour étudier ces structures sous-jacentes de manière non invasive. Le modèle d’imagerie par tenseur de diffusion (DTI) permet d’accéder à différentes mesures procurant de l’information sur la mésostructure du cerveau à partir de données d'IRMd, en manquant cependant de spécificité face à la nature microscopique du signal. Le modèle de déconvolution sphérique contrainte (CSD) permet de reconstruire une carte des fonctions de distribution d'orientations de fibres (fODF) de WM dans le cerveau de façon précise à partir de l'imagerie de diffusion à haute résolution angulaire (HARDI), ce qui peut être utilisé par un algorithme de tractographie pour cartographier le connectome structurel humain. Afin de surmonter le manque de spécificité présent en DTI, l’IRM de diffusion par encodage tenseur-b a vu le jour dans les années 2000. Cette technique utilise différents encodages de gradients de diffusion (p. ex., encodages linéaire, planaire et sphérique) pour donner accès à des mesures plus fines de la structure microscopique des tissus cérébraux, sous la forme de mesures de microstructure novatrices. Cependant, les données d'IRMd par encodage tenseur-b sont complexes et ne s'appliquent pas directement au modèle de CSD, sans compter que l'impact de ces données sur la reconstruction des fODFs est inconnu. Le présent mémoire vise donc à élaborer les fondations mathématiques et techniques d'une CSD adaptée aux données d'IRMd par encodage tenseur-b. Une évaluation des performances de reconstruction des fODFs par ce modèle est ensuite effectuée sur des données simulées, en parallèle avec des mesures d'efficacité du calcul des mesures de microstructure. L'étude révèle que l'ajout d'un encodage planaire ou sphérique à un encodage linéaire réduit de seulement quelques degrés la résolution angulaire des fODFs reconstruites. De plus, la combinaison d'encodages linéaire et sphérique mène à un calcul précis des mesures de microstructure. Les résultats de ces travaux, incluant la proposition d'un protocole d'IRMd par encodage tenseur-b d'une durée de 10 minutes et 30 secondes, ouvrent la porte à la reconstruction des fODFs jumelée au calcul des précieuses mesures de microstructure.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Direct model labels (unvalidated)
Per-model category and study-design labels from the labeling rounds. They are machine output, unvalidated, and the disagreement between models ships as data. No study design here is MEDLINE-validated yet.
| Model arm | Categories | Study design | Confidence |
|---|---|---|---|
| gemma | no category Domain: not available · Genre: Other About the Canadian research system: no · About a Canadian topic: no | Not applicable | low |
| gpt | no category Domain: not available · Genre: Methods About the Canadian research system: no · About a Canadian topic: no | Bench or experimental | low |
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedLabeled directly by 2 models reading the full record.
The models disagree on parts of this classification; every voice is preserved in the section at the end of the page.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".