NeuroNetFlow faza-kontrastlı maqnit-rezonans görüntüləmə (PC-MRI) məlumatlarından beyin-omurilik mayesi, yəni BOS/CSF axın dinamiklərini təhlil etmək və bu məlumatları tənəffüs və ürək fizioloji siqnalları ilə eyni vaxtda qiymətləndirmək üçün hazırlanmış MATLAB əsaslı açıq mənbəli qrafik istifadəçi interfeysidir. Araç kutusu PC-MRI görüntü emal, yarı otomatik CSF bölge segmentasyonu, kullanıcı kontrollü ROI düzəlişi, arka plan faz kalibrlənməsi, tənəffüs kemeri ve fotopletismografi (PPG) sinyallerinin senkronizasyonu, tənəffüs ve kalp döngülerinin belirlenmesi, CSF axın hızı ve həcm deplasmanı hesaplamaları ile nicel özelliklerin dışa aktarılmasını tek bir modüler yazılım mimarisinde birleştirmektedir.

NeuroNetFlow-un elmi məqsədi yalnız CSF-nin nə qədər sürətlə axdığını hesablamaq deyil. Sistem, CSF sürət sinyallerinin tənəffüs ve ürək salınımlarla hansı zaman ilişkisi içerisinde değiştiğini incelemeyi hedeflemektedir. Solunum sinyalinde tepe ve çukur noktaları belirlenerek inspirasyon ve ekspirasyon dönemleri ayrılabilir; CSF sürət məlumatları axın hızına dönüştürülebilir ve zamansal integrasyonla həcm deplasmanı hesaplanabilir. Spektral təhlil sayesinde solunumsal ve ürək bileşenler həmçinin incelenebilir. PPG sinyalinden kalp atımları ve inter-beat interval değerleri çıkarılarak kalp hızı hesaplanabilir. Bütün bu siqnallar ortak zaman ekseninde görüntülenebildiği için kardiyo-solunumsal fizyoloji ile CSF dinamiklerinin birlikte incelenmesine yönelik bütünleşik bir araştırma ortamı sağlanmaktadır.

Beyin-omurilik mayesi niyə öyrənilir?

Beyin-omurilik mayesi mərkəzi sinir sisteminin fizioloji quruluşunun mühüm komponentlərindən biridir. Kaynak tədqiqat CSF'nin mekanik tamponlama ve yüzdürme işlevlerinin yanında kimyasal homeostazın korunması ve metabolik atıkların beyinden uzaklaştırılmasıyla ilişkili olduğunu vurgulamaktadır.

CSF dolaşımının uzun süre ağırlıklı olarak ürək pulsasyonlarla ilişkilendirildiği, lakin son dönem çalışmalarının solunumun da CSF hareketinin mühüm sürücülerinden biri olduğunu gösterdiği aktarılmaktadır. Solunumun bireyler arasında değişmesi ve bilinçli biçimde modifiye edilebilmesi, bu mekanizmanın araştırılmasını həmçinin ilgi çekici hâle getirmektedir.

NeuroNetFlow'un geliştirilme amacı bu nedenle yalnız MRI görüntüsündeki bir bölgeyi segmentlemek deyil, PC-MRI ile ölçülen CSF hareketini tənəffüs ve ürək kayıtlarla aynı zaman çerçevesinde değerlendirmektir.

Faza-kontrastlı MRI nə təmin edir?

Faz kontrastlı MRI, akışla ilişkili sürət bilgisinin nicel olarak ölçülmesine olanak sağlayan görüntüləmə yaklaşımıdır. Kaynak tədqiqat yüksek çözünürlüklü velocity-encoding MRI yöntemlerinin ürək ve solunumsal etkilerin CSF akışına katkısını doğrudan incelemeye imkân verdiğini belirtmektedir.

Ölçülen sürət profilleri foramen magnum, serebral akuadukt ve lateral ventriküller kimi anatomik bölgelerde değerlendirilebilir. ROI tabanlı analizden elde edilen sürət ölçümleri daha sonra fizioloji olarak yorumlanabilir büyüklüklere dönüştürülebilir.

Mövcud iş axınında problem nə idi?

Kaynak çalışmaya göre PC-MRI ile CSF segmentasyonu için çeşitli algoritmalar bulunmasına rağmen PC-MRI verisini tənəffüs ve PPG kimi fizioloji kayıtlarla kolay biçimde birleştiren açıq mənbəli GUI ortamlarının sınırlı olması, araştırmacıları manuel kodlama ve maskeleme işlemlerine yöneltebilmektedir.

Bu durum yalnız zaman kaybı yaratmaz; görüntü segmentasyonu, kalibrasyon, fizioloji siqnal eşleştirme ve özellik çıkarımının farklı araçlarda yapılması işlemlerin standartlaştırılmasını ve yeniden üretilebilirliğini de zorlaştırabilir.

NeuroNetFlow bu parçalı süreci MATLAB tabanlı tek arayüz altında birleştirmeyi amaçlamaktadır.

Proqram arxitekturası necə qurulub?

Kaynağın Şekil 1'inde NeuroNetFlow üç temel bileşene ayrılmaktadır:

1. Main Control Interface
2. Image Processing
3. Signal Analysis

Araç kutusu modüler olarak tasarlanmıştır. Her modul bağımsız biçimde çalıştırılabilir və ya bütün zincir uçtan uca yürütülebilir. Standartlaştırılmış ara çıktılar modüller arasında məlumat aktarımını təmin edir.

Bu mimari, örneğin PC-MRI görüntüleri daha əvvəl işlenmiş bir araştırmacının görüntü emal basamağını yeniden çalıştırmadan yalnız Signal Analysis modülünü kullanabilmesine olanak verecek şəkildə tasarlanmıştır.

Main Control Interface nə edir?

Ana kontrol arayüzü bütün sistemi yöneten merkezdir. Kaynak çalışmada dört temel işlev qeyd olunur:

• PC-MRI verilerinin yüklenmesi,
• emal parametrelerinin yapılandırılması,
• görüntü emal ve siqnal analizi iş akışlarının başlatılması,
• sonuçların ve işlem kayıtlarının gerçek zamanlı olarak loglanması.

Log kayıtlarının sürekli tutulması hata ayıklama, kalite kontrol ve yeniden üretilebilirliğin desteklenmesi amacı taşımaktadır.

Image Processing modulu CSF-ni necə tapır?

Image Processing modulu PC-MRI faz görüntülerini alır ve potansiyel CSF bölgelerini belirlemek için otomatik segmentasyon uygular. Temel varsayım, CSF axın sinyalinin ürək salınımla ilişkili bileşenler içermesidir.

Kaynağın Şekil 3'ünde kullanıcı fareyle bir 64 × 64 sınır kutusu tanımlamaktadır. Bu işlemden sonra algoritma ürək CSF siqnal özellikleri taşıyan voxel'leri belirleyerek başlangıç binary maskesini üretir.

Ancak yazarlar otomatik segmentasyonun her durumda kusursuz olmayacağını kabul etmektedir. Bu nedenle ilk maske nihai nəticə olarak zorunlu kabul edilmez.

Yarı avtomatik ROI düzəlişi necə aparılır?

Kullanıcı “Analysis Masked Signal” işlevini açtığında voxel düzeyindeki zaman sinyalleri ile ROI ortalaması aynı ortamda incelenebilir.

Kullanıcı zamansal siqnal kalitesine ve fizioloji uygunluğa göre voxel'leri maskeye ekleyebilir və ya maskeden çıkarabilir. Şekil 3'ün alt sağ bölümünde bu kullanıcı müdahalesinden sonra düzenlenmiş bir foramen magnum maskesi gösterilmektedir.

Dolayısıyla NeuroNetFlow segmentasyonu bütünüyle otomatik bir “kara kutu” biçiminde gerçekleştirmemektedir. Otomatik aday belirleme ile uzman tarafından yapılan görsel/siqnal doğrulamasını birleştirmektedir.

B₀ fon fazası xətası necə düzəldilir?

PC-MRI sürət hesaplamalarında gerçek akıştan kaynaklanmayan arka plan faz kaymaları ölçümü etkileyebilir. Kaynak tədqiqat xüsusilə B₀ alan homojensizliğine bağlı faz ofsetlerinden söz etmektedir.

NeuroNetFlow'da kullanıcı gerçek axın bulunmadığı kabul edilen sabit doku bölgelerini manuel olarak belirler. Bu bölgeler arka plan faz eğilimini tahmin etmek için kullanılır ve tahmin edilen bileşen bütün PC-MRI məlumat kümesinden çıkarılır.

Amaç CSF sürət ölçümünün arka plan faz sapmasından kaynaklanan bileşenini azaltmaktır.

Tənəffüs və PPG məlumatları MRI ilə necə birləşdirilir?

Image Processing modulu harici fizioloji kayıtların yüklenmesini ve PC-MRI edinimiyle zamansal olarak hizalanmasını desteklemektedir.

Çalışmada kullanılan iki temel fizioloji siqnal:

• Respiratory belt: tənəffüs hareketinin zamansal takibi,
• PPG: ürək pulsasyon ve kalp hızı bilgisinin çıkarılması.

Kalibre edilmiş CSF sinyali ve hizalanmış fizioloji kayıtlar standartlaştırılmış bir preprocessed dataset olarak kaydedilir. Signal Analysis modulu doğrudan bu ara çıktıyı kullanır.

Tənəffüsün zirvə və çökəklikləri necə müəyyən edilir?

Solunum analizi iki aşamalıdır.

Birinci aşama: frekans bandı optimizasyonu. Kullanıcı tənəffüs eğilimini korurken gürültüyü bastıracak uygun band-pass filtresini iteratif olarak seçer. Kaynak bunun mühüm olduğunu, çünkü ham tənəffüs kayıtlarının düzensiz nefes örüntüleri ve hareket artefaktları içerebileceğini belirtmektedir.

İkinci aşama: peak ve valley detection. Filtrelenmiş siqnal üzərində otomatik tepe ve çukur algılama uygulanır. Algoritma yeterli değilse kullanıcı tespit noktalarını fareyle manuel olarak düzeltebilir.

Bu işaretler daha sonra tənəffüs döngülerinin zaman referansı olarak kullanılır.

İnhalyasiya və ekshalasiya CSF analizinə necə daxil edilir?

Belirlenen tənəffüs işaretleri CSF sürət profilini inspirasyon ve ekspirasyon fazlarına ayırmak için kullanılır.

Kaynakta hesaplanan analizler arasında:

• inhalasyon ve ekshalasyon fazlarının ayrılması,
• fazlara özgü integraller,
• özet istatistikler,
• solunuma bağlı CSF axın davranışının nicelleştirilmesi

mövcuddur.

CSF sürət sinyali axın hızına çevrilir ve akışın zamana göre integrasyonu həcm deplasmanının hesaplanmasında kullanılır.

Ürək və tənəffüs komponentləri necə ayrılır?

NeuroNetFlow CSF sinyalinin frekans içeriğini incelemek için spektral təhlil kullanmaktadır. Araç kutusu tənəffüs ve ürək frekans bileşenlerine ait önceden belirlenmiş bantlarda area-under-the-curve, yani AUC ölçümleri çıkarabilmektedir.

Bunlara ek olarak mənbə:

• power variability,
• half-power bandwidth

kimi spektral tanımlayıcıların da hesaplandığını belirtmektedir.

Bu təhlil, zaman alanındaki CSF değişimini tənəffüs ve ürək salınımlarla ilişkili frekans bileşenleri açısından ayrı ayrı incelemeyi amaçlamaktadır.

PPG-dən hansı dəyərlər çıxarılır?

PPG sinyalinde de tepe algılama uygulanır. Ardışık atımlar arasındaki sürelerden inter-beat interval (IBI) hesaplanır ve bunlardan kalp hızı BPM cinsinden elde edilir.

Kaynak iki frekans bandını açıkça vermektedir:

Bu bileşenler kaynakta otonom karakterizasyon kapsamında kullanılmaktadır.

Bir nəfəs dövründə nəyi araşdırmaq olar?

NeuroNetFlow farklı sürelere sahip tənəffüs döngülerini doğrudan üst üste bindirmek yerine her döngüyü %0–100 tənəffüs fazına normalize edebilmektedir.

Döngüler daha sonra ortalanarak temsilî bir tənəffüs döngüsü oluşturulur. Bu profilden maksimum ve minimum değerler ile bu ekstrem değerlerin tənəffüs döngüsünde hansı göreli zamanda oluştuğu çıxarıla bilər.

Kaynağın Şekil 4'ünde ve PDF'nin 16. sayfasındaki genişletilmiş GUI görselinde aynı tənəffüs döngüsü içerisinde CSF ve ürək sinyallerin değişimini gösteren birden fazla senkronize eğri yer almaktadır.

Signal Analysis ekranı nə göstərir?

Kaynağın Şekil 4'ü yazılımın en yoğun bilgi içeren ekranıdır. Aynı arayüz içində:

• CSF velocity signal,
• respiration belt signal,
• PPG signal,
• PPG peak/valley detection,
• filtrelenmiş tənəffüs sinyali,
• respiratory spectrum,
• inhalasyon/ekshalasyon dönemleri,
• CSF integralleri,
• volume displacement,
• heart-rate bileşenleri,
• tek tənəffüs döngüsüne normalize edilmiş siqnallar

birlikte görüntülenmektedir.

Bu ekranın temel avantajı bir sinyaldeki değişimin diğer fizioloji kayıtlarla zaman açısından karşılaştırılabilmesidir.

Çıxışlar hansı formatda saxlanılır?

İşlenen siqnallar ve çıkarılan özellikler MATLAB .mat biçiminde saklanabilmektedir. Önceden tanımlanan nicel özellikler həmçinin yapılandırılmış tablolara dönüştürülerek .xlsx biçiminde dışa aktarılabilmektedir.

Kaynak, bu yapılandırılmış çıktıların grup karşılaştırmaları, korelasyon ve regresyon modelleri ile uzunlamasına çalışmalar kimi sonraki istatistiksel analizleri desteklemek üzere tasarlandığını belirtmektedir.

NeuroNetFlow əvvəllər real tədqiqatda istifadə olunubmu?

Bu yazılım makalesi NeuroNetFlow algoritmalarının daha əvvəl yayımlanmış bir çalışmada kullanıldığını belirtmektedir. Kaynağın atıf yaptığı önceki çalışmada, uzun süreli tənəffüs eğitimi bulunan ve bulunmayan katılımcılarda CSF ortalama hızı, deplasmanı ve net axın kimi özelliklerin nicelleştirildiği aktarılmaktadır.

Bu önceki araştırmanın bulguları NeuroNetFlow yazılım makalesinin yeni deneysel sonucu deyil. Mevcut tədqiqat esas olarak yazılım mimarisini, modüllerini ve örnek tədqiqat akışını tanımlamaktadır.

Proqramın mühüm texniki məhdudiyyəti nədir?

Kaynağın metadata tablosu mevcut v1.0 sürümü için çok açık bir uyumluluk sınırı koymaktadır:

NeuroNetFlow v1.0, Philips tarayıcılarından elde edilen phase-contrast MRI verilerine xüsusi olarak optimize edilmiştir ve bu verilerle uyumlu olarak tanımlanmaktadır.

Dolayısıyla çalışmadan farklı üreticilerin MRI formatlarının hiçbir ek uyarlama olmadan çalışacağı sonucu çıkarılamaz.

Bu, Türkiyə baxımından nə ifadə edir?

Çalışma Mayo Clinic bünyesinde geliştirilmiş ve Türkiye'ye ait MRI merkezi, hasta grubu və ya yerel məlumat kümesi içermemektedir. Dolayısıyla NeuroNetFlow'un Türkiye'deki cihazlarda və ya klinik iş akışlarında doğrulanmış performansı bu çalışmadan çıkarılamaz.

Özellikle mevcut v1.0 sürümünün Philips PC-MRI verilerine yönelik uyumluluk sınırı, Türkiye'de kullanılacak MRI cihazı ve məlumat formatının uygulamadan əvvəl kontrol edilmesini gerekli kılar. Kaynak başka üreticilere ait veriler için doğrulanmış uyumluluk sunmamaktadır.

Tədqiqat nə deyir, nə demir?

Tədqiqatın dəstəklədiyi nəticələr

• NeuroNetFlow MATLAB tabanlı, açıq mənbəli ve GUI kontrollü bir CSF təhlil araç kutusudur.
• PC-MRI görüntü emal ile tənəffüs ve PPG siqnal analizini aynı sistemde birleştirir.
• CSF ROI segmentasyonu otomatik başlangıç maskesi ve kullanıcı tarafından yapılan yarı otomatik düzeltmeyi birlikte kullanır.
• B₀ kaynaklı arka plan faz eğilimlerinin sabit doku bölgeleri istifadə edilərək kalibre edilmesini destekler.
• CSF sinyalleri tənəffüs ve PPG verileriyle zamansal olarak hizalanabilir.
• İnhalasyon ve ekshalasyona özgü CSF özellikleri çıxarıla bilər.
• CSF axın hızı ve həcm deplasmanı hesaplanabilir.
• Solunum ve ürək frekans bileşenleri spektral olarak incelenebilir.
• PPG'den IBI ve kalp hızı çıxarıla bilər.
• Solunum döngüleri %0–100 faz ölçeğine normalize edilebilir.
• Sonuçlar MAT ve XLSX biçiminde dışa aktarılabilir.

Tədqiqatın dəstəkləmədiyi nəticələr

• NeuroNetFlow'un klinik tanı aracı olarak doğrulandığı bu tədqiqat tarafından gösterilmemektedir.
• Yazılımın nörodejeneratif hastalık tanısı koyduğu və ya tedavi etkinliğini belirlediği gösterilmemektedir.
• Bu yazılım makalesinde başka CSF təhlil yazılımlarına karşı nicel doğruluk və ya tədqiqat süresi benchmark'ı sunulmamaktadır.
• ROI segmentasyonunun bütün verilerde tamamen otomatik ve hatasız olduğu iddia edilmemektedir.
• Solunum ile CSF arasındaki ilişki tek başına NeuroNetFlow yazılımının kullanılmasıyla nedensel olarak kanıtlanmamaktadır.
• Mevcut sürümün bütün MRI üreticilerinden gelen PC-MRI verileriyle uyumlu olduğu gösterilmemektedir.
• Yazılımın gələcəkdə önerilen yapısal MRI, arteriyel ve venöz təhlil özellikleri mevcut v1.0'ın tamamlanmış özellikleri deyil.

Tədqiqatın Metodu və Nəticələri

Proqramın texniki kimliyi

Üçqatlı arxitektura

Şəkil 1-in göstərdiyi məlumat axını

Kaynağın Şekil 1'inde phase image girdisi əvvəl ROI segmentation window'a yönlendirilir. İlk ROI maskesi oluşturulduktan sonra Analysis Masked Signal ortamında ROI'nin görsel ve zamansal değerlendirmesi yapılabilir.

Aynı modul içerisinde kalibrasyon pencereleri ve fizioloji məlumat hizalama bileşeni mövcuddur. Sonuçta preprocessed dataset .mat dosyası olarak Signal Analysis modülüne aktarılır.

Signal Analysis tarafında tənəffüs ve PPG peak/valley algılama, tənəffüs döngüsü içerisindeki CSF emal ve görselleştirme gerçekleştirilir. Nihai çıktılar işlenmiş MAT məlumat kümesi ile MAT/XLSX özellik tablolarıdır.

Şəkil 2-nin göstərdiyi real GUI

PDF'nin 7. sayfasındaki Şekil 2 üç yazılım ekranını üst üste göstermektedir. En üstte sade Main Control Window, ortada görüntü ve ROI panellerini içeren Image Processing ekranı, altta isə çok sayıda zaman serisi ve peak/valley kontrolü içeren Signal Analysis penceresi mövcuddur.

Bu görsel modüler mimarinin yalnız kavramsal bir diyagram olmadığını; ayrı MATLAB GUI pencereleri olarak uygulanmış olduğunu göstermektedir.

Şəkil 3: 64 × 64 sahə daxilində CSF ROI-nin yaradılması

PDF'nin 9. sayfasındaki örnekte kullanıcı tarafından belirlenen 64 × 64 boundary box içerisinden başlangıç ROI'si çıkarılmaktadır. Aynı figürün alt panellerinde kalibrasyon ve “Sudo ROI segmentation & Align physiology data” pencereleri mövcuddur.

Bu ekranlarda zaman serileri de doğrudan görüntülendiğinden kullanıcı yalnız anatomik maskeye bakarak deyil, voxel'in zamansal davranışını da değerlendirerek ROI düzenlemesi yapabilmektedir.

Şəkil 4: sinxron kardio-tənəffüs analizi

PDF'nin 10. sayfasındaki Şekil 4 ve 16. sayfadaki genişletilmiş görüntü, NeuroNetFlow'un Signal Analysis modülünün gerçek çıktı yoğunluğunu göstermektedir.

Aynı tədqiqat alanında tənəffüs sinyali, PPG, CSF hızı, filtrelenmiş bileşenler, spektrumlar, inhalasyon/ekshalasyon dönemleri, faz integralleri ve tek bir tənəffüs döngüsüne normalize edilmiş profiller birlikte görüntülenmektedir.

Bu birleşik görselleştirme yazılımın temel bilimsel tasarımına karşılık gelir: CSF sinyalini diğer fizioloji sistemlerden bağımsız tek bir zaman serisi olarak deyil, tənəffüs ve ürək hareketle senkronize biçimde təhlil etmek.

Bu tədqiqatda hansı növ validasiya aparılıb?

Makale yazılımın fonksiyonlarını operasyonel örneklerle göstermekte; həmçinin kullanılan algoritmaların daha önceki hakemli CSF araştırmalarında kullanıldığını belirtmektedir. Bununla birlikte mevcut yazılım makalesinde:

• yöntemler arası hata tablosu,
• segmentasyon Dice skoru,
• intra/inter-rater güvenilirlik,
• başka yazılımla doğrudan doğruluk karşılaştırması,
• hesablama süresi benchmark'ı

raporlanmamaktadır.

Bu nedenle NeuroNetFlow'un performansı için kaynakta bulunmayan bir “doğruluk yüzdesi” üretilemez.

Gələcəkdə planlaşdırılan inkişaflar

Kaynak tədqiqat gələcəkdə yüksek çözünürlüklü yapısal MRI ile daha yakın entegrasyonu olası geliştirme alanı olarak belirtmektedir. Mevcut sürüm yapısal MRI ile doğrudan merge və ya overlay özelliğini desteklememektedir.

Ayrıca gələcəkdə arteriyel ve venöz siqnal algılama algoritmalarının eklenmesiyle CSF ile serebrovasküler hareket arasındaki ilişkinin daha kapsamlı incelenmesi önerilmektedir.

Bunlar v1.0'da mevcut özellikler deyil, tədqiqat tarafından belirtilen gelecek geliştirme hedefleridir.

Mənbə və Metod Qeydi

Tam özgün tədqiqat adı: NeuroNetFlow: A MATLAB-based software toolbox for analyzing flow dynamics based on phase-contrast MRI

Yazarlar ve özgün sıralama: Seokbeen Lim; Marin E. Nycklemoe; David N. Jacobson; Daniel C. Kim; Daehun Kang; Pragalv Karki; Val J. Lowe; Petrice M. Cogswell; Paul H. Min.

Eş katkı: Kaynak, Seokbeen Lim ve Marin E. Nycklemoe'nin çalışmaya eşit katkıda bulunduğunu açıkça belirtmektedir.

Ortak gözetim: PDF yıldız işaretiyle Seokbeen Lim ve Petrice M. Cogswell'in çalışmayı birlikte yönettiğini belirtmekte ve her ikisinin iletişim bilgilerini vermektedir. SSRN kaydı həmçinin Seokbeen Lim'i “Contact Author” olarak göstermektedir.

Kurumlar: Department of Radiology, Mayo Clinic, Rochester, Minnesota, USA; kaynakta yazıldığı biçimiyle Department of Radiology Oncology, Mayo Clinic, Rochester, Minnesota, USA; Department of Physiology and Biomedical Engineering, Mayo Clinic, Rochester, Minnesota, USA.

Kaynak türü: MATLAB tabanlı açık mənbə bilimsel yazılım ve biyomedikal görüntüləmə/siqnal analizi metodoloji çalışması.

Yayın durumu: Bu tədqiqat hakem değerlendirmesinden geçmemiş bir SSRN preprintidir; bulguları bu yayın aşaması dikkate alınarak değerlendirilmelidir.

Platform: SSRN.

SSRN abstract numarası: 6225926.

DOI: 10.2139/ssrn.6225926.

SSRN yayın tarihi: 18 Şubat 2026.

Hakemli sürüm: Bibliyografik kontrolde 24 Ağustos 2026 itibarıyla aynı başlıklı doğrulanmış ayrı bir hakemli dergi sürümü tespit edilmemiştir.

Yazılım: NeuroNetFlow v1.0.

Programlama ortamı: MATLAB.

Gereksinim: MATLAB R2023b və ya daha yeni bir sürüm.

İşletim sistemi: Windows 10/11 ve macOS.

Sürüm kontrol sistemi: Git.

Yazılım lisansı: MIT License.

Kaynak kod deposu: https://github.com/SeokbeenLim/NeuroNetFlow.git

Donanım/məlumat uyumluluğu: Kaynak metadata tablosu mevcut sürümün Philips tarayıcılarından elde edilen phase-contrast MRI verilerine xüsusi olarak optimize edildiğini ve yalnız bu verilerle uyumlu olduğunu belirtmektedir.

Reproducible capsule: Kaynak metadata tablosunda N/A olarak verilmiştir.

Örnek veriler: Yazılım fonksiyonlarını göstermek için kullanılan örnek məlumat kümelerinin proje GitHub deposunda kamuya açık olduğu qeyd olunur. Çalışmanın bulgularını destekleyen ek verilerin isə makul talep üzerine sorumlu yazardan temin edilebileceği yazılmıştır.

Çıkar çatışması: Yazarlar, çalışmayı etkileyebilecek bilinen finansal çıkar və ya kişisel ilişki bulunmadığını beyan etmektedir.

Finansman/Acknowledgements: Kaynakta həmçinin bir finansman bölümü bulunmamaktadır ve yazarlar “no acknowledgements to declare” ifadesini kullanmaktadır.

Üretken yapay zekâ beyanı: Yazarlar makalenin hazırlanması sırasında metnin okunabilirliğini ve dilini geliştirmek amacıyla ChatGPT kullandıklarını, ardından içeriği gözden geçirip düzenlediklerini ve nihai içerikten tamamen sorumlu olduklarını belirtmektedir.

CRediT — Seokbeen Lim: Writing – original draft, Software, Methodology, Conceptualization, Supervision.

CRediT — Marin E. Nycklemoe: Writing – original draft, Software, Methodology.

CRediT — David N. Jacobson: Writing – review & editing, Software.

CRediT — Daniel C. Kim: Writing – review & editing.

CRediT — Daehun Kang: Validation, Software, Methodology.

CRediT — Pragalv Karki: Validation, Software.

CRediT — Val J. Lowe: Writing – review & editing, Conceptualization.

CRediT — Petrice M. Cogswell: Writing – review & editing, Conceptualization, Supervision.

CRediT — Paul H. Min: Writing – review & editing, Software, Methodology, Conceptualization.

Kaynak-içi afiliyasyon notu: İkinci kurum PDF'de “Department of Radiology Oncology” biçiminde yazılmıştır. Özgün mənbə ifadesi sessizce başka bir bölüm adına dönüştürülmemiştir.

Yöntemsel sınırlılık: Makale NeuroNetFlow'un yazılım mimarisini ve operasyonel kullanım örneklerini sunmaktadır; lakin mevcut tədqiqat içerisinde başka yazılımlarla nicel doğruluk, segmentasyon başarısı və ya tədqiqat süresi benchmark'ı raporlanmamaktadır.

Bilimsel sınır: Yazılım CSF dinamiklerini nicelleştiren bir araştırma aracıdır. Bu tədqiqat NeuroNetFlow'u klinik tanı sistemi, tedavi sistemi və ya nörodejeneratif hastalıkları doğrudan belirleyen doğrulanmış tıbbi cihaz olarak sunmamaktadır.

Bilimsel içerik sınırı: Bu Verianla makalesindeki CSF fizyolojisi bağlamı, NeuroNetFlow mimarisi, segmentasyon, kalibrasyon, tənəffüs/PPG analizi, çıkış özellikleri, yazılım gereksinimleri, görsel arayüzler ve gelecek geliştirme hedefleri yüklenen çalışmaya dayanmaktadır. Dış mənbə yalnız DOI, SSRN tarihi, yazar kimliği ve güncel yayın durumunun bibliyografik doğrulanması amacıyla kullanılmıştır.