跳到正文
原文
arXiv · Quantitative Methods· Shuguang Yang, Ziyi Wang, Yujing Shen 等 8 人
· 11 天前精选AI 评分63

Surf_2_Volume:基于皮层带的 CIFTI 到 NIfTI 转换 Python 工具箱

Surf_2_Volume: A Python Toolbox for Cortical Ribbon Based CIFTI to NIfTI Conversion

预印本 · 尚未经过同行评审

AI 导读

许多流程需要 NIfTI 标签体积,而皮层分区多以 CIFTI 表面空间发布,最近顶点映射的距离设置难以取舍。作者发布 Python 工具箱 Surf_2_Volume,在可调皮层带内投影离散皮层标签,并提供依据源图谱各标签顶点比例与输出体素比例差异对 12 个阈值排序的选法。在 Yeo2011 与 Schaefer2018 两套图谱的四种配置中,选出的阈值均含 0.05,12 个输出中有 11 个的宏观 Dice 高于测试的 Connectome Workbench 映射;24 名 HCP 被试中 12 个输出的个体水平平均脑区时间序列一致性均更高。

推荐理由

发布 Surf_2_Volume 工具,可在可调皮层带内把 CIFTI 表面标签投影为 NIfTI 体积,并按源图谱信息对 12 个阈值排序,在 24 名 HCP 被试中与 Connectome Workbench 映射做了对比。

摘要 · AI 翻译

许多神经影像工作流程需要 NIfTI 标签体积,而皮层分区越来越多地以 CIFTI 表面空间的形式发布。现有的转换工具提供了多种映射设置。在最近顶点映射中,较小的距离会使部分皮层体素未被标注,而较大的距离则会使标签延伸到预期皮层区域之外。在没有配对的体积图谱可用时,很难在多种设置之间做出选择。我们提出了 Surf_2_Volume,这是一个 Python 工具箱,可在可调整的皮层带内投影离散皮层标签。用户可以直接指定皮层带阈值,也可以使用一个可选流程,该流程利用源图谱的信息对候选阈值进行排序。该流程根据每个标签在源皮层顶点中所占比例与其在输出体素中所占比例之间的差异,对 12 个阈值进行排序,而不使用已发表的体积图谱进行选择。我们评估了来自两个图谱家族的四种配置:Yeo2011 分区,包含 7 网络和 17 网络版本,分别由 51 个和 114 个空间成分表示;以及 Schaefer2018 100 分区图谱,包含 7 网络和 17 网络分配。所有四个选出的集合都包含阈值 0.05,该阈值在测试的软件包阈值中具有最高的宏 Dice 和宏 Jaccard。在 12 个选出的输出中,有 11 个的宏 Dice 高于其对应图谱在测试的 Connectome Workbench 映射中的最佳结果。在 24 名 HCP 参与者中,所有 12 个选出的输出在参与者层面的平均分区时间序列一致性上均高于所有测试的 Workbench 映射(所有图谱内 FDR 校正 p < 0.001)。Surf_2_Volume 提供了一种可重复的方法,在仅有表面分区可用时生成和选择体积图谱候选,同时保留备选方案以满足不同的覆盖范围和信号提取需求。

中文由 AI 翻译,仅供参考,以原文为准。

来源:arXiv · Quantitative Methods · arxiv.org

PsyBrain 脑心前沿

让每一位脑科学探索者,都不再独行。