NeuroNetFlow — фазалык-контрасттуу магниттик-резонанстык сүрөттөө (PC-MRI) маалыматтарынан мээ-жүлүн суюктугунун, башкача айтканда BOS/CSF агым динамикасын талдоо жана бул маалыматтарды дем алуу менен жүрөктүн физиологиялык сигналдары аркылуу бир убакта баалоо үчүн иштелип чыккан MATLAB негизиндеги ачык булактуу графикалык колдонуучу интерфейси. Araç kutusu PC-MRI görüntü иштетүү, yarı otomatik CSF bölge segmentasyonu, kullanıcı kontrollü ROI түзөтүүсү, arka plan faz калибрлөөсү, дем алуу kemeri ve fotopletismografi (PPG) sinyallerinin senkronizasyonu, дем алуу ve kalp döngülerinin belirlenmesi, CSF агым hızı ve көлөм deplasmanı hesaplamaları ile nicel özelliklerin dışa aktarılmasını tek бир modüler yazılım mimarisinde birleştirmektedir.

NeuroNetFlow программасынын илимий багыты CSF канчалык тез агарын эсептөө менен гана чектелбейт. Sistem, CSF ылдамдык sinyallerinin дем алуу ve жүрөк salınımlarla кайсы zaman ilişkisi içerisinde değiştiğini incelemeyi hedeflemektedir. Solunum sinyalinde tepe ve çukur noktaları belirlenerek inspirasyon ve ekspirasyon dönemleri ayrılabilir; CSF ылдамдык маалыматтарды агым hızına dönüştürülebilir ve zamansal integrasyonla көлөм deplasmanı hesaplanabilir. Spektral талдоо sayesinde solunumsal ve жүрөк bileşenler мындан тышкары incelenebilir. PPG sinyalinden kalp atımları ve inter-beat interval değerleri çıkarılarak kalp hızı hesaplanabilir. Bütün бул сигналдар ortak zaman ekseninde görüntülenebildiği için kardiyo-solunumsal fizyoloji ile CSF dinamiklerinin birlikte incelenmesine yönelik bütünleşik бир araştırma ortamı sağlanmaktadır.

Мээ-жүлүн суюктугу эмне үчүн изилденет?

Мээ-жүлүн суюктугу борбордук нерв системасынын физиологиялык түзүлүшүнүн маанилүү бөлүктөрүнүн бири. Kaynak изилдөө 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 жүрөк pulsasyonlarla ilişkilendirildiği, бирок son dönem çalışmalarının solunumun da CSF hareketinin маанилүү sürücülerinden biri olduğunu gösterdiği aktarılmaktadır. Solunumun bireyler арасында değişmesi ve bilinçli biçimde modifiye edilebilmesi, бул mekanizmanın araştırılmasını мындан тышкары ilgi çekici hâle getirmektedir.

NeuroNetFlow'un geliştirilme amacı бул nedenle yalnız MRI görüntüsündeki бир bölgeyi segmentlemek эмес, PC-MRI ile ölçülen CSF hareketini дем алуу ve жүрөк kayıtlarla aynı zaman çerçevesinde değerlendirmektir.

Фаза-контрасттуу MRI эмнени камсыз кылат?

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

Ölçülen ылдамдык profilleri foramen magnum, serebral akuadukt ve lateral ventriküller сыяктуу anatomik bölgelerde değerlendirilebilir. ROI tabanlı analizden elde edilen ылдамдык ölçümleri көбүрөөк кийин физиологиялык olarak yorumlanabilir büyüklüklere dönüştürülebilir.

Учурдагы иш процессиндеги көйгөй эмнеде болгон?

Kaynak çalışmaya göre PC-MRI ile CSF segmentasyonu için çeşitli algoritmalar bulunmasına rağmen PC-MRI verisini дем алуу ve PPG сыяктуу физиологиялык kayıtlarla kolay biçimde birleştiren ачык булактуу GUI ortamlarının sınırlı olması, araştırmacıları manuel kodlama ve maskeleme işlemlerine yöneltebilmektedir.

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

NeuroNetFlow бул parçalı süreci MATLAB tabanlı tek arayüz астында birleştirmeyi amaçlamaktadır.

Программалык архитектура кандай түзүлгөн?

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 модуль bağımsız biçimde çalıştırılabilir же bütün zincir uçtan uca yürütülebilir. Standartlaştırılmış ara çıktılar modüller арасында маалымат aktarımını камсыз кылат.

Бул mimari, örneğin PC-MRI görüntüleri көбүрөөк мурун işlenmiş бир araştırmacının görüntü иштетүү basamağını yeniden çalıştırmadan yalnız Signal Analysis modülünü kullanabilmesine olanak verecek түрдө tasarlanmıştır.

Main Control Interface эмне кылат?

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

• PC-MRI verilerinin yüklenmesi,
• иштетүү parametrelerinin yapılandırılması,
• görüntü иштетүү ve сигнал 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 модулу CSFти кантип табат?

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

Kaynağın Şekil 3'ünde kullanıcı fareyle бир 64 × 64 sınır kutusu tanımlamaktadır. Бул işlemden кийин algoritma жүрөк CSF сигнал özellikleri taşıyan voxel'leri belirleyerek başlangıç binary maskesini üretir.

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

Жарым автоматтык ROI түзөтүүсү кантип жүргүзүлөт?

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

Kullanıcı zamansal сигнал kalitesine ve физиологиялык uygunluğa göre voxel'leri maskeye ekleyebilir же maskeden çıkarabilir. Şekil 3'ün alt sağ bölümünde бул kullanıcı müdahalesinden кийин düzenlenmiş бир foramen magnum maskesi gösterilmektedir.

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

B₀ фондук фаза катасы кантип оңдолот?

PC-MRI ылдамдык hesaplamalarında gerçek akıştan kaynaklanmayan arka plan faz kaymaları ölçümü etkileyebilir. Kaynak изилдөө өзгөчө B₀ alan homojensizliğine bağlı faz ofsetlerinden söz etmektedir.

NeuroNetFlow'da kullanıcı gerçek агым bulunmadığı kabul edilen sabit doku bölgelerini manuel olarak belirler. Бул bölgeler arka plan faz eğilimini tahmin etmek için kullanılır ve tahmin edilen bileşen бардык PC-MRI маалымат kümesinden çıkarılır.

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

Дем алуу жана PPG маалыматтары MRI менен кантип бириктирилет?

Image Processing модулу harici физиологиялык kayıtların yüklenmesini ve PC-MRI edinimiyle zamansal olarak hizalanmasını desteklemektedir.

Çalışmada kullanılan iki temel физиологиялык сигнал:

• Respiratory belt: дем алуу hareketinin zamansal takibi,
• PPG: жүрөк pulsasyon ve kalp hızı bilgisinin çıkarılması.

Kalibre edilmiş CSF sinyali ve hizalanmış физиологиялык kayıtlar standartlaştırılmış бир preprocessed dataset olarak kaydedilir. Signal Analysis модулу doğrudan бул ara çıktıyı kullanır.

Дем алуунун чокулары жана ойдуңдары кантип аныкталат?

Solunum analizi iki aşamalıdır.

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

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

Бул işaretler көбүрөөк кийин дем алуу döngülerinin zaman referansı olarak kullanılır.

Ингаляция жана экспирация CSF талдоосуна кантип кирет?

Belirlenen дем алуу işaretleri CSF ылдамдык profilini inspirasyon ve ekspirasyon fazlarına ayırmak için kullanılır.

Kaynakta hesaplanan analizler арасында:

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

бар.

CSF ылдамдык sinyali агым hızına айландырылат ve akışın zamana göre integrasyonu көлөм deplasmanının hesaplanmasında kullanılır.

Жүрөк жана дем алуу компоненттери кантип ажыратылат?

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

Bunlara ek olarak булак:

• power variability,
• half-power bandwidth

сыяктуу spektral tanımlayıcıların da hesaplandığını belirtmektedir.

Бул талдоо, zaman alanındaki CSF değişimini дем алуу ve жүрөк salınımlarla ilişkili frekans bileşenleri açısından ayrı ayrı incelemeyi amaçlamaktadır.

PPGден кайсы маанилер чыгарылат?

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

Kaynak iki frekans bandını açıkça vermektedir:

Бул bileşenler kaynakta otonom karakterizasyon kapsamında kullanılmaktadır.

Бир дем алуу циклинде эмнелерди изилдөөгө болот?

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

Döngüler көбүрөөк кийин ortalanarak temsilî бир дем алуу döngüsü oluşturulur. Бул profilden maksimum ve minimum değerler ile бул ekstrem değerlerin дем алуу döngüsünde кайсы göreli zamanda oluştuğu чыгарылышы мүмкүн.

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

Signal Analysis экраны эмнени көрсөтөт?

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

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

birlikte görüntülenmektedir.

Бул ekranın temel avantajı бир sinyaldeki değişimin diğer физиологиялык kayıtlarla zaman açısından karşılaştırılabilmesidir.

Чыгуулар кайсы форматта сакталат?

İşlenen сигналдар ve çıkarılan özellikler MATLAB .mat biçiminde saklanabilmektedir. Önceden tanımlanan nicel özellikler мындан тышкары yapılandırılmış tablolara dönüştürülerek .xlsx biçiminde dışa aktarılabilmektedir.

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

NeuroNetFlow мурда чыныгы изилдөөдө колдонулганбы?

Бул yazılım makalesi NeuroNetFlow algoritmalarının көбүрөөк мурун yayımlanmış бир çalışmada kullanıldığını belirtmektedir. Kaynağın atıf yaptığı önceki çalışmada, uzun süreli дем алуу eğitimi bulunan ve bulunmayan katılımcılarda CSF ortalama hızı, deplasmanı ve net агым сыяктуу özelliklerin nicelleştirildiği aktarılmaktadır.

Бул önceki araştırmanın bulguları NeuroNetFlow yazılım makalesinin yeni deneysel sonucu эмес. Mevcut изилдөө esas olarak yazılım mimarisini, modüllerini ve örnek изилдөө akışını tanımlamaktadır.

Программанын маанилүү техникалык чектөөсү кандай?

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

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

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

Бул Түркия үчүн эмнени билдирет?

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

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

Изилдөө эмнени айтат, эмнени айтпайт?

Изилдөө колдогон натыйжалар

• NeuroNetFlow MATLAB tabanlı, ачык булактуу ve GUI kontrollü бир CSF талдоо araç kutusudur.
• PC-MRI görüntü иштетүү ile дем алуу ve PPG сигнал 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 колдонуу менен kalibre edilmesini destekler.
• CSF sinyalleri дем алуу ve PPG verileriyle zamansal olarak hizalanabilir.
• İnhalasyon ve ekshalasyona özgü CSF özellikleri чыгарылышы мүмкүн.
• CSF агым hızı ve көлөм deplasmanı hesaplanabilir.
• Solunum ve жүрөк frekans bileşenleri spektral olarak incelenebilir.
• PPG'den IBI ve kalp hızı чыгарылышы мүмкүн.
• Solunum döngüleri %0–100 faz ölçeğine normalize edilebilir.
• Sonuçlar MAT ve XLSX biçiminde dışa aktarılabilir.

Изилдөө колдобогон натыйжалар

• NeuroNetFlow'un klinik tanı aracı olarak doğrulandığı бул изилдөө tarafından gösterilmemektedir.
• Yazılımın nörodejeneratif hastalık tanısı koyduğu же tedavi etkinliğini belirlediği gösterilmemektedir.
• Бул yazılım makalesinde başka CSF талдоо yazılımlarına karşı nicel doğruluk же изилдөө süresi benchmark'ı sunulmamaktadır.
• ROI segmentasyonunun bütün verilerde tamamen otomatik ve hatasız экендиги 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 экендиги gösterilmemektedir.
• Yazılımın келечекте önerilen yapısal MRI, arteriyel ve venöz талдоо özellikleri mevcut v1.0'ın tamamlanmış özellikleri эмес.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Программанын техникалык өзгөчөлүгү

Үч катмарлуу архитектура

1-сүрөт көрсөткөн маалымат агымы

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

Aynı модуль içerisinde kalibrasyon pencereleri ve физиологиялык маалымат hizalama bileşeni бар. Sonuçta preprocessed dataset .mat dosyası olarak Signal Analysis modülüne aktarılır.

Signal Analysis tarafında дем алуу ve PPG peak/valley algılama, дем алуу döngüsü içerisindeki CSF иштетүү ve görselleştirme gerçekleştirilir. Nihai çıktılar işlenmiş MAT маалымат kümesi ile MAT/XLSX özellik tablolarıdır.

2-сүрөт көрсөткөн чыныгы 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 болсо çok sayıda zaman serisi ve peak/valley kontrolü içeren Signal Analysis penceresi бар.

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

3-сүрөт: 64 × 64 талаада CSF ROI түзүү

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 бар.

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

4-сүрөт: бир убактагы кардио-дем алуу талдоосу

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

Aynı изилдөө alanında дем алуу sinyali, PPG, CSF hızı, filtrelenmiş bileşenler, spektrumlar, inhalasyon/ekshalasyon dönemleri, faz integralleri ve tek бир дем алуу döngüsüne normalize edilmiş profiller birlikte görüntülenmektedir.

Бул birleşik görselleştirme yazılımın temel bilimsel tasarımına karşılık gelir: CSF sinyalini diğer физиологиялык sistemlerden bağımsız tek бир zaman serisi olarak эмес, дем алуу ve жүрөк hareketle senkronize biçimde талдоо etmek.

Бул изилдөөдө валидациянын кайсы түрү жүргүзүлгөн?

Makale yazılımın fonksiyonlarını operasyonel örneklerle göstermekte; мындан тышкары kullanılan algoritmaların көбүрөөк 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,
• эсептөө süresi benchmark'ı

raporlanmamaktadır.

Бул nedenle NeuroNetFlow'un performansı için kaynakta bulunmayan бир “doğruluk yüzdesi” üretilemez.

Келечекте пландалган өнүктүрүүлөр

Kaynak изилдөө келечекте yüksek çözünürlüklü yapısal MRI ile көбүрөөк yakın entegrasyonu olası geliştirme alanı olarak belirtmektedir. Mevcut sürüm yapısal MRI ile doğrudan merge же overlay özelliğini desteklememektedir.

Ayrıca келечекте arteriyel ve venöz сигнал algılama algoritmalarının eklenmesiyle CSF ile serebrovasküler hareket arasındaki ilişkinin көбүрөөк kapsamlı incelenmesi önerilmektedir.

Bunlar v1.0'da mevcut özellikler эмес, изилдөө tarafından belirtilen gelecek geliştirme hedefleridir.

Булак жана Ыкма Жөнүндө Эскертүү

Tam özgün изилдөө 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 мындан тышкары 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 булак bilimsel yazılım ve biyomedikal сүрөттөө/сигнал analizi metodoloji çalışması.

Yayın durumu: Бул изилдөө hakem değerlendirmesinden geçmemiş бир SSRN preprintidir; bulguları бул 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 бир hakemli dergi sürümü tespit edilmemiştir.

Yazılım: NeuroNetFlow v1.0.

Programlama ortamı: MATLAB.

Gereksinim: MATLAB R2023b же көбүрөөк yeni бир 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/маалымат uyumluluğu: Kaynak metadata tablosu mevcut sürümün Philips tarayıcılarından elde edilen phase-contrast MRI verilerine өзгөчө olarak optimize edildiğini ve yalnız бул verilerle uyumlu olduğunu belirtmektedir.

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

Örnek veriler: Yazılım fonksiyonlarını göstermek için kullanılan örnek маалымат kümelerinin proje GitHub deposunda kamuya açık экендиги белгиленет. Çalışmanın bulgularını destekleyen ek verilerin болсо makul talep üzerine sorumlu yazardan temin edilebileceği yazılmıştır.

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

Finansman/Acknowledgements: Kaynakta мындан тышкары бир 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 булак ifadesi sessizce başka бир bölüm adına dönüştürülmemiştir.

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

Bilimsel sınır: Yazılım CSF dinamiklerini nicelleştiren бир araştırma aracıdır. Бул изилдөө NeuroNetFlow'u klinik tanı sistemi, tedavi sistemi же nörodejeneratif hastalıkları doğrudan belirleyen doğrulanmış tıbbi cihaz olarak sunmamaktadır.

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