抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
神経科学における基本的目標は,脳解剖学,機能,および行動を結びつける関係の特性化である。これらの関係を調べるために様々なMRI様式が開発されているが,挙動を予測する能力の直接比較は不足している。ここでは,解剖学的T1,拡散および機能的MRI(fMRI)の能力を比較し,個々のレベルで行動を予測した。皮質厚さ,面積および体積を解剖学的T1画像から抽出した。拡散テンソル画像(DTI)と近似Neurite配向分散と密度画像(NODDI)モデルを拡散画像に当てはめた。得られたメトリックスは,Tract-based Spatial Statistic(TBSS)スケルトンに投影された。また,拡散画像に対して確率的トラクトグラフィーを行い,そこから,各ペアの脳領域を接続する路線にわたる各DTIおよびNODDIメトリックのストリーム数,平均ストリーム長および平均を抽出した。機能的連結性(FC)を,タスクと静止状態fMRIの両方から抽出した。広範囲の行動測定の個別予測を,カーネルリッジ回帰,線形リッジ回帰および弾性ネット回帰を用いて行った。結果の一貫性を,ヒトコネクトームプロジェクト(HCP)と思春期脳認知発達(ABCD)データセットで調査した。両データセットにおいて,FCベースモデルは回帰モデルまたは行動測度に関係なく最良の予測性能を与えた。これは特に認知領域に対して真実であった。さらに,すべての様式は,他の行動領域よりも認知を良好に予測することができた。すべてのモダリティの組み合わせは認知の予測を改善したが,他の行動ドメインは改善しなかった。最後に,すべての行動にわたって,静止とタスクFCを結合することは,すべてのモダリティを組み合わせるのと同様の予測性能をもたらした。全体として,この研究は,健康な子供と若い成人の場合,T1と拡散特徴の行動と関係した情報が,FCにより捉えられた分散のサブセットを反映することを示す。高光O_LIFCは解剖学的および拡散特徴より良好に挙動を予測し,C_LIO_LICombining静止&タスクFCは,全ての様式C_LIO_LIFindingsを3つの回帰モデルおよび2つのデータセットC_LIで複製するので,予測を改善するので,他の行動ドメインより良好に予測されている。。”C_LIO_LICombining sest and タスク FC”は,他の行動領域よりも良好に予測されている。”C_LIO_LIFindings”は,すべての様式C_LIO_LIFindingsを3つの回帰モデルおよび2つのデータセットC_LIで複製した。【JST・京大機械翻訳】
