Perceptual organisation in diffusion MRI: curves and streamline flows
Notice bibliographique
Résumé
This thesis proposes a new computational framework for the modeling of biological tissue structure in diffusion MRI data. By measuring the local Brownian motion of water molecules, diffusion MRI provides estimates of local fibre orientations in tissues such as the white matter of the brain. Over the last years, diffusion MRI has become an important tool for the in vivo study of brain connectivity. Nevertheless, the inference of the structure of white matter fibres is still an open problem. The methodology introduced in this thesis is based on differential geometry and perceptual organisation. The key ideas are to model white matter fibres as 3D space curves, to view diffusion MRI data as providing information about the tangent vectors of these curves, and to frame the problem as that of inferring 3D curve geometry from a discretized, incomplete, and potentially blurred and noisy field of tangent measurements. Inspired by notions used in perceptual organisation in computer vision, we develop local geometric constraints which guide the inference process and ultimately result in the recovery of the underlying fibre geometry. We start by introducing a notion of co-helicity between triplets of orientation estimates, which is incorporated in a geometric inference process. This process is referred to as 3D curve inference, and it estimates the parameters of the local best-fit osculating helix for each orientation in the dataset. Based on this, a relaxation labeling framework is set-up for the regularization of diffusion MRI data. We then develop a 3D curve inference technique for the identification of complex sub-voxel fibre configurations in high angular resolution diffusion
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».