Hacia una parcelación estructural de la corteza cerebral humana a través de la resonancia magnética de difusión

Autores
Gallardo Diez, Guillermo Alejandro
Año de publicación
2015
Idioma
español castellano
Tipo de recurso
tesis de grado
Estado
versión publicada
Colaborador/a o director/a de tesis
Wassermann, Demián
Descripción
El cómo se relacionan distintas áreas del cerebro con funciones motoras y cognitivas complejas sigue siendo desconocido. Por ello existe la necesidad de entender cómo es que el cerebro está conectado estructuralmente, esto es, entender qué regiones están conectadas físicamente por axones y cuánto influye esto en el aspecto funcional del cerebro. En este trabajo estudiamos un método actual de parcelación de la corteza cerebral mediante un criterio estructural. La misma utiliza el clustering jerárquico de tractogramas. Estudiamos el método y mostramos algunas falencias del mismo. Proponemos luego un método propio. Nuestro método consiste en transformar los tractogramas a un espacio vectorial y luego agruparlos con Agglomerative Hierarchical Clustering. Presentamos una implementación eficiente de nuestro método así como también el cómo adaptarlo al uso de matrices ralas para optimizar el costo espacial. Mostramos que nuestro algoritmo produce parcelaciones similares a las obtenidas usando el estado del arte. La ventaja de nuestro algoritmo es que reduce significativamente tanto la complejidad temporal como la espacial. También mostramos que nuestros resultados poseen consistencia con parcelaciones anatómicas y funcionales de la literatura.
The relationship between different brain regions and their functional and cognitive role is still unknown. Therefore we have the need of understanding how the brain is physically connected through axons and how that influences the brain functionality. In this work we study an existent method to parcellate the brain cortex using a structural criteria. Particularly this method uses hierarchical clustering of tractograms. We show some of the problems of the method. We then propose a new method where tractograms are transformed into a vectorial space and then clustered via Agglomerative Hierarchical Clustering. We present an efficient implementation of our method while adopting sparse matrices for spatial cost optimization. We show that our method produces results similar to those obtained with the state of the art technique. The advantage of our method consists of the significant reduction of the spatial and temporal complexity. We also show that our parcellations are consistent with anatomical and functional parcellations existent in the literature.
Fil: Gallardo Diez, Guillermo Alejandro. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.
Materia
NEUROCIENCIA
DIFUSION
PARCELAMIENTO DE LA CORTEZA
CLUSTERING JERARQUICO
TRACTOGRAMAS
NEUROSCIENCE
DIFFUSION
BRAIN PARCELLATION
HIERARCHICAL CLUSTERING
TRACTOGRAMS
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/2.5/ar
Repositorio
Biblioteca Digital (UBA-FCEN)
Institución
Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
OAI Identificador
seminario:seminario_nCOM000692_GallardoDiez

id BDUBAFCEN_fe629158045192af027a21c3a42882e5
oai_identifier_str seminario:seminario_nCOM000692_GallardoDiez
network_acronym_str BDUBAFCEN
repository_id_str 1896
network_name_str Biblioteca Digital (UBA-FCEN)
spelling Hacia una parcelación estructural de la corteza cerebral humana a través de la resonancia magnética de difusiónGallardo Diez, Guillermo AlejandroNEUROCIENCIADIFUSIONPARCELAMIENTO DE LA CORTEZACLUSTERING JERARQUICOTRACTOGRAMASNEUROSCIENCEDIFFUSIONBRAIN PARCELLATIONHIERARCHICAL CLUSTERINGTRACTOGRAMSEl cómo se relacionan distintas áreas del cerebro con funciones motoras y cognitivas complejas sigue siendo desconocido. Por ello existe la necesidad de entender cómo es que el cerebro está conectado estructuralmente, esto es, entender qué regiones están conectadas físicamente por axones y cuánto influye esto en el aspecto funcional del cerebro. En este trabajo estudiamos un método actual de parcelación de la corteza cerebral mediante un criterio estructural. La misma utiliza el clustering jerárquico de tractogramas. Estudiamos el método y mostramos algunas falencias del mismo. Proponemos luego un método propio. Nuestro método consiste en transformar los tractogramas a un espacio vectorial y luego agruparlos con Agglomerative Hierarchical Clustering. Presentamos una implementación eficiente de nuestro método así como también el cómo adaptarlo al uso de matrices ralas para optimizar el costo espacial. Mostramos que nuestro algoritmo produce parcelaciones similares a las obtenidas usando el estado del arte. La ventaja de nuestro algoritmo es que reduce significativamente tanto la complejidad temporal como la espacial. También mostramos que nuestros resultados poseen consistencia con parcelaciones anatómicas y funcionales de la literatura.The relationship between different brain regions and their functional and cognitive role is still unknown. Therefore we have the need of understanding how the brain is physically connected through axons and how that influences the brain functionality. In this work we study an existent method to parcellate the brain cortex using a structural criteria. Particularly this method uses hierarchical clustering of tractograms. We show some of the problems of the method. We then propose a new method where tractograms are transformed into a vectorial space and then clustered via Agglomerative Hierarchical Clustering. We present an efficient implementation of our method while adopting sparse matrices for spatial cost optimization. We show that our method produces results similar to those obtained with the state of the art technique. The advantage of our method consists of the significant reduction of the spatial and temporal complexity. We also show that our parcellations are consistent with anatomical and functional parcellations existent in the literature.Fil: Gallardo Diez, Guillermo Alejandro. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.Universidad de Buenos Aires. Facultad de Ciencias Exactas y NaturalesWassermann, Demián2015info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfhttps://hdl.handle.net/20.500.12110/seminario_nCOM000692_GallardoDiezspainfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/arreponame:Biblioteca Digital (UBA-FCEN)instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesinstacron:UBA-FCEN2025-09-29T13:43:32Zseminario:seminario_nCOM000692_GallardoDiezInstitucionalhttps://digital.bl.fcen.uba.ar/Universidad públicaNo correspondehttps://digital.bl.fcen.uba.ar/cgi-bin/oaiserver.cgiana@bl.fcen.uba.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:18962025-09-29 13:43:33.451Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesfalse
dc.title.none.fl_str_mv Hacia una parcelación estructural de la corteza cerebral humana a través de la resonancia magnética de difusión
title Hacia una parcelación estructural de la corteza cerebral humana a través de la resonancia magnética de difusión
spellingShingle Hacia una parcelación estructural de la corteza cerebral humana a través de la resonancia magnética de difusión
Gallardo Diez, Guillermo Alejandro
NEUROCIENCIA
DIFUSION
PARCELAMIENTO DE LA CORTEZA
CLUSTERING JERARQUICO
TRACTOGRAMAS
NEUROSCIENCE
DIFFUSION
BRAIN PARCELLATION
HIERARCHICAL CLUSTERING
TRACTOGRAMS
title_short Hacia una parcelación estructural de la corteza cerebral humana a través de la resonancia magnética de difusión
title_full Hacia una parcelación estructural de la corteza cerebral humana a través de la resonancia magnética de difusión
title_fullStr Hacia una parcelación estructural de la corteza cerebral humana a través de la resonancia magnética de difusión
title_full_unstemmed Hacia una parcelación estructural de la corteza cerebral humana a través de la resonancia magnética de difusión
title_sort Hacia una parcelación estructural de la corteza cerebral humana a través de la resonancia magnética de difusión
dc.creator.none.fl_str_mv Gallardo Diez, Guillermo Alejandro
author Gallardo Diez, Guillermo Alejandro
author_facet Gallardo Diez, Guillermo Alejandro
author_role author
dc.contributor.none.fl_str_mv Wassermann, Demián
dc.subject.none.fl_str_mv NEUROCIENCIA
DIFUSION
PARCELAMIENTO DE LA CORTEZA
CLUSTERING JERARQUICO
TRACTOGRAMAS
NEUROSCIENCE
DIFFUSION
BRAIN PARCELLATION
HIERARCHICAL CLUSTERING
TRACTOGRAMS
topic NEUROCIENCIA
DIFUSION
PARCELAMIENTO DE LA CORTEZA
CLUSTERING JERARQUICO
TRACTOGRAMAS
NEUROSCIENCE
DIFFUSION
BRAIN PARCELLATION
HIERARCHICAL CLUSTERING
TRACTOGRAMS
dc.description.none.fl_txt_mv El cómo se relacionan distintas áreas del cerebro con funciones motoras y cognitivas complejas sigue siendo desconocido. Por ello existe la necesidad de entender cómo es que el cerebro está conectado estructuralmente, esto es, entender qué regiones están conectadas físicamente por axones y cuánto influye esto en el aspecto funcional del cerebro. En este trabajo estudiamos un método actual de parcelación de la corteza cerebral mediante un criterio estructural. La misma utiliza el clustering jerárquico de tractogramas. Estudiamos el método y mostramos algunas falencias del mismo. Proponemos luego un método propio. Nuestro método consiste en transformar los tractogramas a un espacio vectorial y luego agruparlos con Agglomerative Hierarchical Clustering. Presentamos una implementación eficiente de nuestro método así como también el cómo adaptarlo al uso de matrices ralas para optimizar el costo espacial. Mostramos que nuestro algoritmo produce parcelaciones similares a las obtenidas usando el estado del arte. La ventaja de nuestro algoritmo es que reduce significativamente tanto la complejidad temporal como la espacial. También mostramos que nuestros resultados poseen consistencia con parcelaciones anatómicas y funcionales de la literatura.
The relationship between different brain regions and their functional and cognitive role is still unknown. Therefore we have the need of understanding how the brain is physically connected through axons and how that influences the brain functionality. In this work we study an existent method to parcellate the brain cortex using a structural criteria. Particularly this method uses hierarchical clustering of tractograms. We show some of the problems of the method. We then propose a new method where tractograms are transformed into a vectorial space and then clustered via Agglomerative Hierarchical Clustering. We present an efficient implementation of our method while adopting sparse matrices for spatial cost optimization. We show that our method produces results similar to those obtained with the state of the art technique. The advantage of our method consists of the significant reduction of the spatial and temporal complexity. We also show that our parcellations are consistent with anatomical and functional parcellations existent in the literature.
Fil: Gallardo Diez, Guillermo Alejandro. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.
description El cómo se relacionan distintas áreas del cerebro con funciones motoras y cognitivas complejas sigue siendo desconocido. Por ello existe la necesidad de entender cómo es que el cerebro está conectado estructuralmente, esto es, entender qué regiones están conectadas físicamente por axones y cuánto influye esto en el aspecto funcional del cerebro. En este trabajo estudiamos un método actual de parcelación de la corteza cerebral mediante un criterio estructural. La misma utiliza el clustering jerárquico de tractogramas. Estudiamos el método y mostramos algunas falencias del mismo. Proponemos luego un método propio. Nuestro método consiste en transformar los tractogramas a un espacio vectorial y luego agruparlos con Agglomerative Hierarchical Clustering. Presentamos una implementación eficiente de nuestro método así como también el cómo adaptarlo al uso de matrices ralas para optimizar el costo espacial. Mostramos que nuestro algoritmo produce parcelaciones similares a las obtenidas usando el estado del arte. La ventaja de nuestro algoritmo es que reduce significativamente tanto la complejidad temporal como la espacial. También mostramos que nuestros resultados poseen consistencia con parcelaciones anatómicas y funcionales de la literatura.
publishDate 2015
dc.date.none.fl_str_mv 2015
dc.type.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_7a1f
info:ar-repo/semantics/tesisDeGrado
format bachelorThesis
status_str publishedVersion
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.12110/seminario_nCOM000692_GallardoDiez
url https://hdl.handle.net/20.500.12110/seminario_nCOM000692_GallardoDiez
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/2.5/ar
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/2.5/ar
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
publisher.none.fl_str_mv Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
dc.source.none.fl_str_mv reponame:Biblioteca Digital (UBA-FCEN)
instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
instacron:UBA-FCEN
reponame_str Biblioteca Digital (UBA-FCEN)
collection Biblioteca Digital (UBA-FCEN)
instname_str Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
instacron_str UBA-FCEN
institution UBA-FCEN
repository.name.fl_str_mv Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
repository.mail.fl_str_mv ana@bl.fcen.uba.ar
_version_ 1844618752797179904
score 13.070432