Robustness of Representative Signals Relative to Data Loss Using Atlas-Based Parcellations

GAJDOŠ, Martin, Eva VÝTVAROVÁ, Jan FOUSEK, Martin LAMOŠ a Michal MIKL. Robustness of Representative Signals Relative to Data Loss Using Atlas-Based Parcellations. BRAIN TOPOGRAPHY. DORDRECHT: SPRINGER, 2018, roč. 31, č. 5, s. 767-779. ISSN 0896-0267. Dostupné z: https://dx.doi.org/10.1007/s10548-018-0647-6.

Základní údaje

Originální název

Robustness of Representative Signals Relative to Data Loss Using Atlas-Based Parcellations

Autoři

GAJDOŠ, Martin (203 Česká republika, domácí), Eva VÝTVAROVÁ (203 Česká republika, domácí), Jan FOUSEK (203 Česká republika, domácí), Martin LAMOŠ (203 Česká republika, domácí) a Michal MIKL (203 Česká republika, garant, domácí)

Vydání

BRAIN TOPOGRAPHY, DORDRECHT, SPRINGER, 2018, 0896-0267

---

Další údaje

Jazyk

angličtina

Typ výsledku

Článek v odborném periodiku

Obor

30103 Neurosciences

Stát vydavatele

Nizozemské království

Utajení

není předmětem státního či obchodního tajemství

Impakt faktor

Impact factor: 3.104

Kód RIV

RIV/00216224:14740/18:00101793

Organizační jednotka

Středoevropský technologický institut

DOI

http://dx.doi.org/10.1007/s10548-018-0647-6

UT WoS

000440763900004

Klíčová slova anglicky

Parcellation; fMRI; Atlas; Representative signal; Coverage

Štítky

CF MAFIL, rivok

Příznaky

Mezinárodní význam, Recenzováno

---

Anotace

V originále

Parcellation-based approaches are an important part of functional magnetic resonance imaging data analysis. They are a necessary processing step for sorting data in structurally or functionally homogenous regions. Real functional magnetic resonance imaging datasets usually do not cover the atlas template completely; they are often spatially constrained due to the physical limitations of MR sequence settings, the inter-individual variability in brain shape, etc. When using a parcellation template, many regions are not completely covered by actual data. This paper addresses the issue of the area coverage required in real data in order to reliably estimate the representative signal and the influence of this kind of data loss on network analysis metrics. We demonstrate this issue on four datasets using four different widely used parcellation templates. We used two erosion approaches to simulate data loss on the whole-brain level and the ROI-specific level. Our results show that changes in ROI coverage have a systematic influence on network measures. Based on the results of our analysis, we recommend controlling the ROI coverage and retaining at least 60% of the area in order to ensure at least 80% of explained variance of the original signal.

---

Návaznosti

GA14-33143S, projekt VaV	Název: Vliv fyziologických procesů na reliabilitu a časovou proměnlivost konektivity v lidském mozku měřené pomocí fMRI Investor: Grantová agentura ČR, Vliv fyziologických procesů na reliabilitu a časovou proměnlivost konektivity v lidském mozku měřené pomocí fMRI
LM2015062, projekt VaV	Název: Národní infrastruktura pro biologické a medicínské zobrazování Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, National research infrastructure for biological and medical imaging
LQ1601, projekt VaV	Název: CEITEC 2020 (Akronym: CEITEC2020) Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, CEITEC 2020