Dokument: Linking logical and coordinate-based resources for interoperability of primate brain mapping and connectivity data

Titel:	Linking logical and coordinate-based resources for interoperability of primate brain mapping and connectivity data
Weiterer Titel:	Linking logical and coordinate-based resources for interoperability of primate brain mapping and connectivity data
URL für Lesezeichen:	https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=16088
URN (NBN):	urn:nbn:de:hbz:061-20101001-085521-0
Kollektion:	Dissertationen
Sprache:	Englisch
Dokumententyp:	Wissenschaftliche Abschlussarbeiten » Dissertation
Medientyp:	Text
Autor:	Dr. Bezgin, Gleb [Autor]
Dateien:	[Dateien anzeigen] Adobe PDF [Details] 4,03 MB in einer Datei [ZIP-Datei erzeugen] Dateien vom 30.09.2010 / geändert 30.09.2010
Dewey Dezimal-Klassifikation:	000 Informatik, Informationswissenschaft, allgemeine Werke » 004 Datenverarbeitung; Informatik
Beschreibungen:	In dieser Arbeit wird das Konzept vorgestellt, welches die Kartierung von makroskopischen Hirnregionen ermöglicht, wobei räumliche gegen nicht-räumliche Datensätze einbezogen werden. Das Thema ist von großer Aktualität und beschäftigt eine große Anzahl von Wissen-schaftlern, insbesondere im Bereich der neurowissenschaftlichen Bildgebung (Neuroimag-ing), wo es von Bedeutung ist, Aktivierungen im Raum anatomischen Objekte zuzuordnen. Letzteres kann häufig nicht ohne Berücksichtigung umfangreicher anatomischer Er-kenntnisse der vergangenen Jahre erreicht werden, die hauptsächlich durch invasive Tier-Studien gewonnen wurden. Solche Studien werden üblicherweise in großen Datenbanken mit präzisem hierarchischem Vokabular aber ohne räumlichen Bezugsrahmen zusammen-gestellt, so dass diese Informationen nur schwer mit den Daten aus bildgebenden Verfahren verglichen werden können. Um diese Probleme zu lösen, haben wir zwei Techniken ent-wickelt, mit denen räumliche und ontologische Daten des Gehirns verbunden werden können. Die erste Technik nennt sich „SORT“, was für "Spatial Objective Relational Transformation" steht. Sie basiert auf einem Machine- Learning-Ansatz, mit dem Aussagen aus räumlichen Daten (einschließlich solcher aus Studien mit Menschen) generiert werden können, die mit jenen Datenbanken kompatibel sind, die auf Tierstudien basieren. Diese Aussagen werden durch die Mengenlehre, Bayes-Theoreme, Voronoi-Diagramme und andere Techniken er-lernt. Die zweite Technik nennt sich „CoCoMac-Paxinos-3D (CP3D)“. Dieses Tool ermöglicht als ein Interface zwischen anatomischen Schnitt-Atlas-Daten und der Konnektivitätsdatenbank die weitere Visualisierung und Analyse. Fehlende Informationen in der Konnektivitätsdatenbank werden durch die Ergebnisse aus der SORT-Analyse ergänzt. Zusätzlich zu dem Datenbank-Interface, organisiert das CP3D-Tool Hirnregionen als eine Hierarchie, die in ihrer Taxonomie mit weit verbreiteten anderen neurologischen Thesauri kompatibel sind (z. B. NeuroLex, www.neurolex.org). Das Tool nutzt den stereotaktischen Rhesusaffen-Atlas von Paxinos et al. sowie die Tracing-Datenbank CoCoMac, kann aber flexibel auf andere Atlanten und Da-tenbanken angewendet werden. Die freie Verfügbarkeit der Tools im Internet ermöglicht den Benutzern, die Instrumente auszuprobieren und ein Feedback zu geben, welches für die weitere Entwicklung hilfreich ist. Diese und weitere Beispiele für den Nutzen der entwickel-ten Techniken werden an verschiedenen Stellen in der vorliegenden Arbeit diskutiert. In this thesis, the concept of mapping between macroscopic brain regions is presented, tak-en into account spatial (registered in the 3D space) versus non-spatial (represented by text/figures) datasets. The issue is timely and is addressed by the broad research communi-ty, particularly by researchers involved in neuroimaging, where one has to attribute func-tional activations located in space to anatomical entities. The latter ones are frequently hard to discern without taking into account extensive anatomical findings from past years, most of which are obtained from invasive animal studies. Such studies are collated in large data-bases with precise hierarchical vocabularies yet without spatial reference frames, making these anatomical datasets hard to compare with neuroimaging data. To cope with these problems, we devised two techniques, serving together as a pipeline for linking spatial with ontological brain entities. The first tool is called SORT which stands for “Spatial Objective Relational Transformation” and represents a machine learning approach for generating animal database-compatible statements of relationship between various brain regions, from spatial (including human) data. The approach makes use of set theory, Bayes’ theorem and Voronoi diagrams among other techniques employed for learning these statements. Another tool is called CoCoMac-Paxinos-3D (CP3D) and is linking sectional atlas data with a connectivity database for further visualization and analysis. Connectivity dataset is empo-wered by the SORT output, providing missing statements. Apart from the database inter-face, the CP3D tool organizes brain regions as a hierarchy, providing taxonomy compatible with widely used neurological thesauri (e.g. NeuroLex, www.neurolex.org). The tool is ex-ploiting the Paxinos et al. Rhesus Macaque stereotaxic atlas and the CoCoMac tract tracing database, but is flexibly generalizable to other atlases and databases as well. The examples of utility of both tools are discussed in various chapters of this thesis, and their free availa-bility on the internet allows users to explore the tools and give a feedback necessary for fur-ther developments.
Lizenz:	Urheberrechtsschutz
Fachbereich / Einrichtung:	Mathematisch- Naturwissenschaftliche Fakultät
Dokument erstellt am:	01.10.2010
Dateien geändert am:	30.09.2010
Promotionsantrag am:	17.12.2009
Datum der Promotion:	26.01.2010