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
- Institución
- Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
- OAI Identificador
- seminario:seminario_nCOM000692_GallardoDiez
Ver los metadatos del registro completo
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 |