Cedalionチュートリアル：実験室から日常生活まで、マルチモーダルfNIRSおよびDOTの包括的な分析のためのPythonベースのフレームワーク

科学分野:

• 神経画像
• 計算神経科学
• 生体医工学

背景:

• 機能的近赤外分光法（fNIRS）と拡散光トモグラフィー（DOT）は、ウェアラブル、マルチモーダル、AIサポートの神経画像に向けて進歩しています。
• 現在fNIRSおよびDOTの分析ツールは断片的であり、再現性、相互運用性、および機械学習（ML）ワークフローとの統合を妨げています。

研究 の 目的:

• マルチモーダルfNIRSおよびDOTデータの統合分析のためのPythonベースのオープンソースフレームワークであるCedalionを紹介します。
• 高度な神経画像分析のための再現可能で拡張可能でコミュニティ主導の環境を提供します。
• 確立された光学神経画像パイプラインとMLフレームワークを接続し、シームレスなマルチモーダルデータ融合を実現します。

主な方法:

• Cedalionは、順方向モデリング、オプトード共同登録、信号処理、GLM分析、DOT画像再構成、およびML方法を含む、モデルベースおよびデータ駆動型分析を統合します。
• フレームワークは、SNIRFおよびBIDS標準に準拠し、クラウド実行可能なJupyterノートブックをサポートし、スケーラブルで再現可能な分析のためにコンテナ化されたワークフローを利用します。
• 信号品質評価、モーション補正、GLMモデリング、DOT再構成のための検証済みアルゴリズムを組み込み、シミュレーション、データ拡張、およびマルチモーダル生理学的分析のためのモジュールが含まれています。

主要な成果:

• Cedalionは、Pythonエコシステム内で標準化されたアーキテクチャを提供し、多様な分析方法を統合します。
• フレームワークは、MLライブラリ（scikit-learn、PyTorch）やその他の神経画像モダリティ（EEG、MEG、生理学的データ）とのシームレスな統合を促進します。
• 7つの実行可能なノートブックを備えたチュートリアル論文は、実験室ベースおよび実世界の神経画像のためのCedalionのコア機能を示しています。

結論:

• Cedalionは、fNIRSおよびDOTデータ分析のためのオープンで透明性があり、コミュニティによって拡張可能な基盤を提供します。
• 再現可能でスケーラブルな、クラウドおよびML対応の神経画像ワークフローをサポートします。
• このフレームワークは、確立された光学神経画像技術と最新の計算アプローチを接続することにより、研究者に力を与えます。