NeuroNetFlow, faz kontrastlı manyetik rezonans görüntüleme (PC-MRI) verilerinden beyin omurilik sıvısı, yani BOS/CSF akış dinamiklerini analiz etmek ve bu verileri solunum ile kardiyak fizyolojik sinyallerle eşzamanlı değerlendirmek amacıyla geliştirilmiş MATLAB tabanlı açık kaynaklı bir grafik kullanıcı arayüzüdür. Araç kutusu PC-MRI görüntü işleme, yarı otomatik CSF bölge segmentasyonu, kullanıcı kontrollü ROI düzeltmesi, arka plan faz kalibrasyonu, solunum kemeri ve fotopletismografi (PPG) sinyallerinin senkronizasyonu, solunum ve kalp döngülerinin belirlenmesi, CSF akış hızı ve hacim deplasmanı hesaplamaları ile nicel özelliklerin dışa aktarılmasını tek bir modüler yazılım mimarisinde birleştirmektedir.

NeuroNetFlow'un bilimsel odağı yalnız CSF'nin ne kadar hızlı aktığını hesaplamak değildir. Sistem, CSF hız sinyallerinin solunum ve kardiyak salınımlarla hangi zaman ilişkisi içerisinde değiştiğini incelemeyi hedeflemektedir. Solunum sinyalinde tepe ve çukur noktaları belirlenerek inspirasyon ve ekspirasyon dönemleri ayrılabilir; CSF hız verileri akış hızına dönüştürülebilir ve zamansal integrasyonla hacim deplasmanı hesaplanabilir. Spektral analiz sayesinde solunumsal ve kardiyak bileşenler ayrıca incelenebilir. PPG sinyalinden kalp atımları ve inter-beat interval değerleri çıkarılarak kalp hızı hesaplanabilir. Bütün bu sinyaller ortak zaman ekseninde görüntülenebildiği için kardiyo-solunumsal fizyoloji ile CSF dinamiklerinin birlikte incelenmesine yönelik bütünleşik bir araştırma ortamı sağlanmaktadır.

Beyin omurilik sıvısı neden inceleniyor?

Beyin omurilik sıvısı merkezi sinir sisteminin fizyolojik yapısının önemli bileşenlerinden biridir. Kaynak çalışma 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 kardiyak pulsasyonlarla ilişkilendirildiği, ancak son dönem çalışmalarının solunumun da CSF hareketinin önemli sürücülerinden biri olduğunu gösterdiği aktarılmaktadır. Solunumun bireyler arasında değişmesi ve bilinçli biçimde modifiye edilebilmesi, bu mekanizmanın araştırılmasını ayrıca ilgi çekici hâle getirmektedir.

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

Phase-contrast MRI ne sağlıyor?

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

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

Mevcut iş akışındaki sorun neydi?

Kaynak çalışmaya göre PC-MRI ile CSF segmentasyonu için çeşitli algoritmalar bulunmasına rağmen PC-MRI verisini solunum ve PPG gibi fizyolojik kayıtlarla kolay biçimde birleştiren açık kaynaklı GUI ortamlarının sınırlı olması, araştırmacıları manuel kodlama ve maskeleme işlemlerine yöneltebilmektedir.

Bu durum yalnız zaman kaybı yaratmaz; görüntü segmentasyonu, kalibrasyon, fizyolojik sinyal 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.

Yazılım mimarisi nasıl kurulmuş?

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 modül bağımsız biçimde çalıştırılabilir veya bütün zincir uçtan uca yürütülebilir. Standartlaştırılmış ara çıktılar modüller arasında veri aktarımını sağlar.

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

Main Control Interface ne yapıyor?

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

• PC-MRI verilerinin yüklenmesi,
• işleme parametrelerinin yapılandırılması,
• görüntü işleme ve sinyal 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 modülü CSF'yi nasıl buluyor?

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

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

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

Yarı otomatik ROI düzeltmesi nasıl yapılıyor?

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

Kullanıcı zamansal sinyal kalitesine ve fizyolojik uygunluğa göre voxel'leri maskeye ekleyebilir veya 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/sinyal doğrulamasını birleştirmektedir.

B₀ arka plan faz hatası nasıl düzeltiliyor?

PC-MRI hız hesaplamalarında gerçek akıştan kaynaklanmayan arka plan faz kaymaları ölçümü etkileyebilir. Kaynak çalışma özellikle B₀ alan homojensizliğine bağlı faz ofsetlerinden söz etmektedir.

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

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

Solunum ve PPG verileri MRI ile nasıl birleştiriliyor?

Image Processing modülü harici fizyolojik kayıtların yüklenmesini ve PC-MRI edinimiyle zamansal olarak hizalanmasını desteklemektedir.

Çalışmada kullanılan iki temel fizyolojik sinyal:

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

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

Solunum tepe ve çukurları nasıl belirleniyor?

Solunum analizi iki aşamalıdır.

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

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

Bu işaretler daha sonra solunum döngülerinin zaman referansı olarak kullanılır.

İnhalasyon ve ekshalasyon CSF analizine nasıl giriyor?

Belirlenen solunum işaretleri CSF hız 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 akış davranışının nicelleştirilmesi

bulunmaktadır.

CSF hız sinyali akış hızına dönüştürülür ve akışın zamana göre integrasyonu hacim deplasmanının hesaplanmasında kullanılır.

Kardiyak ve solunumsal bileşenler nasıl ayrılıyor?

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

Bunlara ek olarak kaynak:

• power variability,
• half-power bandwidth

gibi spektral tanımlayıcıların da hesaplandığını belirtmektedir.

Bu analiz, zaman alanındaki CSF değişimini solunum ve kardiyak salınımlarla ilişkili frekans bileşenleri açısından ayrı ayrı incelemeyi amaçlamaktadır.

PPG'den hangi değerler çıkarılıyor?

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.

Tek bir nefes döngüsü içerisinde neler incelenebiliyor?

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

Döngüler daha sonra ortalanarak temsilî bir solunum döngüsü oluşturulur. Bu profilden maksimum ve minimum değerler ile bu ekstrem değerlerin solunum döngüsünde hangi göreli zamanda oluştuğu çıkarılabilir.

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

Signal Analysis ekranı ne gösteriyor?

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

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

birlikte görüntülenmektedir.

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

Çıktılar hangi formatta kaydediliyor?

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

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

NeuroNetFlow daha önce gerçek araştırmada kullanılmış mı?

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

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

Yazılımın önemli teknik sınırlaması nedir?

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 özel olarak optimize edilmiştir ve bu verilerle uyumlu olarak tanımlanmaktadır.

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

Türkiye açısından ne ifade ediyor?

Çalışma Mayo Clinic bünyesinde geliştirilmiş ve Türkiye'ye ait MRI merkezi, hasta grubu veya yerel veri kümesi içermemektedir. Dolayısıyla NeuroNetFlow'un Türkiye'deki cihazlarda veya 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 veri formatının uygulamadan önce kontrol edilmesini gerekli kılar. Kaynak başka üreticilere ait veriler için doğrulanmış uyumluluk sunmamaktadır.

Çalışma ne söylüyor, ne söylemiyor?

Çalışmanın desteklediği sonuçlar

• NeuroNetFlow MATLAB tabanlı, açık kaynaklı ve GUI kontrollü bir CSF analiz araç kutusudur.
• PC-MRI görüntü işleme ile solunum ve PPG sinyal 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 kullanılarak kalibre edilmesini destekler.
• CSF sinyalleri solunum ve PPG verileriyle zamansal olarak hizalanabilir.
• İnhalasyon ve ekshalasyona özgü CSF özellikleri çıkarılabilir.
• CSF akış hızı ve hacim deplasmanı hesaplanabilir.
• Solunum ve kardiyak frekans bileşenleri spektral olarak incelenebilir.
• PPG'den IBI ve kalp hızı çıkarılabilir.
• Solunum döngüleri %0–100 faz ölçeğine normalize edilebilir.
• Sonuçlar MAT ve XLSX biçiminde dışa aktarılabilir.

Çalışmanın desteklemediği sonuçlar

• NeuroNetFlow'un klinik tanı aracı olarak doğrulandığı bu çalışma tarafından gösterilmemektedir.
• Yazılımın nörodejeneratif hastalık tanısı koyduğu veya tedavi etkinliğini belirlediği gösterilmemektedir.
• Bu yazılım makalesinde başka CSF analiz yazılımlarına karşı nicel doğruluk veya çalışma 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 gelecekte önerilen yapısal MRI, arteriyel ve venöz analiz özellikleri mevcut v1.0'ın tamamlanmış özellikleri değildir.

Çalışmanın Yöntemi ve Bulguları

Yazılımın teknik kimliği

Üç katmanlı mimari

Şekil 1'in gösterdiği veri akışı

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

Aynı modül içerisinde kalibrasyon pencereleri ve fizyolojik veri hizalama bileşeni bulunur. Sonuçta preprocessed dataset .mat dosyası olarak Signal Analysis modülüne aktarılır.

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

Şekil 2'nin gösterdiği gerçek 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 ise çok sayıda zaman serisi ve peak/valley kontrolü içeren Signal Analysis penceresi bulunmaktadır.

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

Şekil 3: 64 × 64 alan içinde CSF ROI oluşturma

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 bulunmaktadır.

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

Şekil 4: eşzamanlı kardiyo-solunumsal analiz

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

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

Bu birleşik görselleştirme yazılımın temel bilimsel tasarımına karşılık gelir: CSF sinyalini diğer fizyolojik sistemlerden bağımsız tek bir zaman serisi olarak değil, solunum ve kardiyak hareketle senkronize biçimde analiz etmek.

Bu çalışmada hangi tür doğrulama yapılmış?

Makale yazılımın fonksiyonlarını operasyonel örneklerle göstermekte; ayrıca 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,
• hesaplama süresi benchmark'ı

raporlanmamaktadır.

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

Gelecekte planlanan geliştirmeler

Kaynak çalışma gelecekte yüksek çözünürlüklü yapısal MRI ile daha yakın entegrasyonu olası geliştirme alanı olarak belirtmektedir. Mevcut sürüm yapısal MRI ile doğrudan merge veya overlay özelliğini desteklememektedir.

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

Bunlar v1.0'da mevcut özellikler değil, çalışma tarafından belirtilen gelecek geliştirme hedefleridir.

Kaynak ve Yöntem Notu

Tam özgün çalışma 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 ayrıca 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 kaynak bilimsel yazılım ve biyomedikal görüntüleme/sinyal analizi metodoloji çalışması.

Yayın durumu: Bu çalışma 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 veya 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/veri uyumluluğu: Kaynak metadata tablosu mevcut sürümün Philips tarayıcılarından elde edilen phase-contrast MRI verilerine özel 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 veri kümelerinin proje GitHub deposunda kamuya açık olduğu belirtilmektedir. Çalışmanın bulgularını destekleyen ek verilerin ise makul talep üzerine sorumlu yazardan temin edilebileceği yazılmıştır.

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

Finansman/Acknowledgements: Kaynakta ayrıca 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 kaynak ifadesi sessizce başka bir bölüm adına dönüştürülmemiştir.

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

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

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