Gutekunst, F. (2019). Guided data cleansing of large connectivity matrices [Diploma Thesis, Technische Universität Wien]. reposiTUm. http://hdl.handle.net/20.500.12708/78597
E193 - Institut für Visual Computing and Human-Centered Technology
-
Date (published):
2019
-
Number of Pages:
145
-
Keywords:
Konnektomik; Data Analytik
de
Connectomics; Data Analytics
en
Abstract:
Die Untersuchung des Gehirns ist ein wichtiges Ziel in den Neurowissenschaften und der Psychiatrie. Die Biomedical Image Analysis Group am VRVis hat mit der Wulf Haubensak Group am Institute of Molecular Medicine ein Framework entwickelt, um Gehirn-Daten zu untersuchen. Gehirn-Daten können als Konnektivitätsmatrizen gespeichern werden. Diese sind aber sehr groß und enthalten Rauschen. Das Ziel dieser Diplomarbeit ist die Säuberung von großen Konnektivitätsmatrizen. Zu diesem Zweck wird die Reduzierung von Rauschen sowohl das Zusammenführen ähnlichen Zeilen und Spalten auf eine kleine Matrix mit Hilfe einer Visualisierungsfunktion vorgeführt. Diese beinhaltet ein visuelles und evaluirendes Feedback der Operationen, so dass die wichtigsten Informationen nicht während des Prozesses gelöscht werden. Die resultierende Matrix besieht sich auf eine zufällige Stichprobenentnahme aus den anatomischer Gehirn-Hierarchien. Dieses Werkzeug is ein Schritt in der Kette zur Verarbeitung von Konnektivitätmatrizen.
Understanding the organization principle of the brain and its function is a continuing quest in neuroscience and psychiatry. Thus, understanding how the brain works, how it is functionally, structurally correlated as well as how the genes are expressed within the brain is one of the most important aims in neuroscience. The Biomedical Image Analysis Group at VRVis developed with the Wulf Haubensak Group at the Institute of Molecular Medicine an interactive framework that allows the real time exploration of large brain connectivity networks on multiple scales. The networks, represented as connectivity matrices, can be up to hundreds of gigabytes, and are too large to hold in current machines’ memory. Moreover, these connectivity matrices are redundant and noisy. A cleansing step to threshold noisy connections and group together similar rows and columns can decrease the required size and thus ease the computations in order to mine the matrices. However, the choice of a good threshold and similarity value is not a trivial task. This document presents a visual guided cleansing tool. The sampling is based on random sampling within the anatomical brain hierarchies on a user-defined global hierarchical level and sampling size ratio. This tool will be a step in the connectivity matrices preprocessing pipeline.
en
Additional information:
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers