管理和可视化多维异构数据PLM在神经成像中的应用论文类型:论文国家论文编号:2015COMP2248作者:Allanic,Marianne(19)。 作者R总结(S):神经成像在分析和重用其产生的不断增长的异构数据量方面面临着挑战。数据来源复杂,多受试者、多分析、多时间性,这些数据仅部分存储,限制了多模态和纵向研究的可能性。特别是,分析功能性大脑连接,以了解大脑的不同区域如何协同工作。有必要根据几个维度管理采集和处理的数据,例如采集时间、采集之间的时间或受试者及其特征。本论文的目的是探索异构数据之间的复杂关系,分为两个方面:(1)如何管理数据及其来源,(2)如何可视化多维数据结构。我们的工作贡献围绕着三个建议,这三个建议是在异构数据管理和图形可视化领域的最新技术水平之后提出生物医学成像生命周期管理(BMI-LM)数据模型根据研究的阶段构建神经成像数据的管理,并通过将特定类别与通用对象相该模型在PLM(产品生命周期管理)系统中的实现表明,制造业在过去20年中开发的概念可以重新用于神经成像数据管理。GMD(动态多维图)被引入来表示在多个维度上演变的数据之间的复杂关系,并且Json Graph EXchange(JGEX)被创建来允许在应用程序之间存储和交换GMDOCL(概览约束布局)方法允许对GMD进行可视化和交互式探索。它依赖于用户思维导图的部分保留以及数据的完整视图和简化视图的交替OCL方法被应用于231名受试者的静息脑功能连接的研究,以GMD的形式表示。脑区域由节点表示,连接测量由作为年龄、性别和偏侧性的函数的边缘表示:GMD是通过在PLM系统中的MRI采集上应用处理链获得的结果显示了使用OCL方法的两个主要好处:(1)识别一个或多个维度上的全球趋势,(2)突出GMD状态之间的局部变化神经成像领域在分析和再利用所产生的日益增长的异质数据量方面面临着问题。数据来源是复杂的多主题、多方法、多时间性,数据仅部分存储,限制了多模态和纵向研究。特别是,研究功能性脑连接是为了了解大脑的哪些区域是如何一起工作的。原始和衍生成像数据必须根据多个维度进行适当管理,例如采集时间、两次采集之间的时间或受试者及其特征。本论文的目的是探索异构数据之间的复杂关系,分为两部分::(1)如何管理数据和来源,(2)如何可视化数据结构多个数据。这篇文章遵循了在异构数据管理和图形可视化研究调查之后提出的三个建议的逻辑顺序生物医学成像生命周期管理(BMI-LM)数据模型根据研究的阶段组织神经成像数据的管理,并考虑到研究的可扩展性,这要归功于与一般对象相关的特定类别该模型在PLM(产品生命周期管理)系统中的应用表明,20年前为制造业开发的概念可以重新用于管理神经成像数据。GMD(动态多维图)被引入来表示数据的复杂动态关系,就像JGEX(Json图形交换)格式一样,JGEX格式被创建来在软件应用程序之间存储和交换GMD。OCL(概览约束布局)方法允许对GMD进行交互式和可视化探索。它基于用户思维导图的保留以及数据的完整视图和简化视图的交替OCL方法应用于其余231名受试者的功能性脑连接研究,这些受试者由GMD表示。脑区域是节点,连接性根据年龄、性别和偏侧性测量边缘:GMD通过将MRI采集的工作流处理到PLM系统中进行计算。结果显示了使用OCL方法的两个主要好处:(1)识别一个或多个维度的全球趋势,(2)突出显示GMD国家之间的局部变化法语语言出版日期2015注释(s)标题来自标题屏幕;博士论文其他标题异构多维数据的管理和可视化:PLM在神经成像贡献者艾纳德,本尼迪克特(19)。论文指导约里奥,马克(19)。论文指导主题医学成像大脑 **成像 **大脑 **磁共振大脑映射大脑定位 **功能连接 **数据分析 **数据库综合数据库*多变量分析数理理论 **商业产品**生命周期 **可视化**专业性高级机械代码TEF620610更多信息