fNIRS

Cedalion Tutorial: Un framework Python per l’analisi completa di fNIRS e DOT multimodali, dal laboratorio al mondo reale

by

Cedalion Tutorial: Un framework Python per l’analisi completa di fNIRS e DOT multimodali, dal laboratorio al mondo reale

La spettroscopia funzionale nel vicino infrarosso (fNIRS) e la tomografia ottica diffusa (DOT) stanno evolvendo rapidamente verso la neuroimmagine indossabile, multimodale e basata sui dati, supportata dall’intelligenza artificiale (IA) nel mondo reale. Tuttavia, gli strumenti analitici attuali sono frammentati tra diverse piattaforme, limitando la riproducibilità, l’interoperabilità e l’integrazione con i moderni flussi di lavoro di apprendimento automatico (ML). Cedalion è un framework open-source basato su Python progettato per unificare l’analisi avanzata, basata su modelli e basata sui dati, di dati fNIRS e DOT multimodali, all’interno di un ambiente riproducibile, estensibile e guidato dalla comunità. Cedalion integra modellazione diretta, co-registrazione fotogrammetrica degli optodi, elaborazione del segnale, analisi GLM, ricostruzione di immagini DOT e metodi basati su ML, all’interno di un’unica architettura standardizzata basata sull’ecosistema Python. Aderisce agli standard SNIRF e BIDS, supporta notebook Jupyter eseguibili sul cloud e fornisce flussi di lavoro containerizzati per pipeline di analisi scalabili e completamente riproducibili, che possono essere forniti insieme alle pubblicazioni di ricerca originali. Cedalion collega pipeline consolidate di neuroimmagine ottica con framework ML come scikit-learn e PyTorch, consentendo una fusione multimodale senza soluzione di continuità con EEG, MEG e dati fisiologici. Implementa algoritmi validati per la valutazione della qualità del segnale, la correzione del movimento, la modellazione GLM e la ricostruzione DOT, integrati da moduli per la simulazione, l’aumento dei dati e l’analisi della fisiologia multimodale. La documentazione automatizzata collega ogni metodo alla sua pubblicazione originale e i test di integrazione continua garantiscono la robustezza. Questo tutorial fornisce sette notebook completamente eseguibili che dimostrano le funzionalità principali. Cedalion offre una base aperta, trasparente e estensibile dalla comunità che supporta flussi di lavoro fNIRS/DOT riproducibili, scalabili, pronti per il cloud e per ML, per la neuroimmagine in laboratorio e nel mondo reale.

Paper: ArXiv.org

Cedalion Tutorial: Un framework Python per l’analisi completa di fNIRS e DOT multimodali, dal laboratorio al mondo reale

by

Cedalion Tutorial: Un framework Python per l’analisi completa di fNIRS e DOT multimodali, dal laboratorio al mondo reale

La spettroscopia funzionale nel vicino infrarosso (fNIRS) e la tomografia ottica diffusa (DOT) stanno evolvendo rapidamente verso la neuroimmagine indossabile, multimodale e basata sui dati, supportata dall’intelligenza artificiale (AI), applicabile nel mondo reale. Tuttavia, gli attuali strumenti di analisi sono frammentati tra diverse piattaforme, limitando la riproducibilità, l’interoperabilità e l’integrazione con i moderni flussi di lavoro di machine learning (ML).

Cedalion è un framework open-source basato su Python progettato per unificare l’analisi avanzata, basata su modelli e sui dati, di dati fNIRS e DOT multimodali, all’interno di un ambiente riproducibile, estensibile e guidato dalla comunità. Cedalion integra modellazione diretta, co-registrazione fotogrammetrica degli optodi, elaborazione del segnale, analisi GLM, ricostruzione di immagini DOT e metodi basati su ML, all’interno di un’unica architettura standardizzata basata sull’ecosistema Python. Aderisce agli standard SNIRF e BIDS, supporta notebook Jupyter eseguibili sul cloud e fornisce flussi di lavoro containerizzati per pipeline di analisi scalabili e completamente riproducibili, da fornire insieme alle pubblicazioni di ricerca originali.

Cedalion collega le consolidate pipeline di neuroimmagine ottica con i framework ML come scikit-learn e PyTorch, consentendo una fusione multimodale senza soluzione di continuità con EEG, MEG e dati fisiologici. Implementa algoritmi validati per la valutazione della qualità del segnale, la correzione del movimento, la modellazione GLM e la ricostruzione DOT, integrati da moduli per la simulazione, l’aumento dei dati e l’analisi della fisiologia multimodale. La documentazione automatica collega ogni metodo alla sua pubblicazione di origine e i test di integrazione continua ne garantiscono la robustezza. Questo tutorial fornisce sette notebook completamente eseguibili che dimostrano le funzionalità principali. Cedalion offre una base aperta, trasparente e comunitariamente estensibile che supporta flussi di lavoro fNIRS/DOT riproducibili, scalabili, pronti per il cloud e per il ML, per la neuroimmagine sia in laboratorio che nel mondo reale.

Paper: ArXiv.org

Cedalion Tutorial: Un framework Python per l’analisi completa di fNIRS e DOT multimodali dal laboratorio al mondo reale

by

Cedalion Tutorial: Un framework Python per l’analisi completa di fNIRS e DOT multimodali dal laboratorio al mondo reale

La spettroscopia funzionale nel vicino infrarosso (fNIRS) e la tomografia ottica diffusa (DOT) stanno rapidamente evolvendo verso neuroimaging indossabile, multimodale e basato sui dati, supportato dall’IA nel mondo reale. Tuttavia, gli strumenti di analisi attuali sono frammentati tra le piattaforme, limitando la riproducibilità, l’interoperabilità e l’integrazione con i moderni flussi di lavoro di machine learning (ML). Cedalion è un framework open-source basato su Python progettato per unificare l’analisi avanzata basata su modelli e basata sui dati di dati fNIRS e DOT multimodali all’interno di un ambiente riproducibile, estensibile e guidato dalla comunità. Cedalion integra modellazione in avanti, co-registrazione fotogrammetrica degli optodi, elaborazione del segnale, analisi GLM, ricostruzione di immagini DOT e metodi basati su ML all’interno di un’unica architettura standardizzata basata sull’ecosistema Python. Aderisce agli standard SNIRF e BIDS, supporta notebook Jupyter eseguibili sul cloud e fornisce flussi di lavoro containerizzati per pipeline di analisi scalabili e completamente riproducibili che possono essere fornite insieme alle pubblicazioni di ricerca originali. Cedalion collega pipeline di optical-neuroimaging consolidate con framework ML come scikit-learn e PyTorch, consentendo una fusione multimodale senza soluzione di continuità con EEG, MEG e dati fisiologici. Implementa algoritmi validati per la valutazione della qualità del segnale, la correzione del movimento, la modellazione GLM e la ricostruzione DOT, integrati da moduli per la simulazione, l’aumento dei dati e l’analisi della fisiologia multimodale. La documentazione automatizzata collega ogni metodo alla sua pubblicazione di origine e i test di integrazione continua ne garantiscono la robustezza. Questo tutorial fornisce sette notebook completamente eseguibili che dimostrano le caratteristiche principali. Cedalion offre una base aperta, trasparente e community-estensibile che supporta flussi di lavoro fNIRS/DOT riproducibili, scalabili, pronti per il cloud e ML per il neuroimaging in laboratorio e nel mondo reale.

Paper: ArXiv.org