...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Neuroinformatics >An Uncertainty Visual Analytics Framework for fMRI Functional Connectivity
【24h】

An Uncertainty Visual Analytics Framework for fMRI Functional Connectivity

机译：FMRI功能连接的不确定性视觉分析框架

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Analysis and interpretation of functional magnetic resonance imaging (fMRI) has been used to characterise many neuronal diseases, such as schizophrenia, bipolar disorder and Alzheimer's disease. Functional connectivity networks (FCNs) are widely used because they greatly reduce the amount of data that needs to be interpreted and they provide a common network structure that can be directly compared. However, FCNs contain a range of data uncertainties stemming from inherent limitations, e.g. during acquisition, as well as the loss of voxel-level data, and the use of thresholding in data abstraction. Additionally, human uncertainties arise during interpretation due to the complexity in understanding the data. While existing FCN visual analytics tools have begun to mitigate the human ambiguities, reducing the impact of data limitations is an open problem. In this paper, we propose a novel visual analytics framework with three linked, purpose-designed components to evoke deeper interpretation of the fMRI data: (i) an enhanced FCN abstraction; (ii) a temporal signal viewer; and (iii) the anatomical context. Each component has been specifically designed with novel visual cues and interaction to expose the impact of uncertainties on the data. We augment this with two methods designed for comparing subjects, by using a small multiples and a marker approach. We demonstrate the enhancements enabled by our framework on three case studies of common research scenarios, using clinical schizophrenia data, which highlight the value in interpreting fMRI FCN data with an awareness of the uncertainties. Finally, we discuss our framework in the context of fMRI visual analytics and the extensibility of our approach.
机译：功能磁共振成像的分析和解释已被用于表征许多神经元疾病，例如精神分裂症，双相障碍和阿尔茨海默病。功能连接网络（FCN）被广泛使用，因为它们大大减少了需要解释的数据量，并且它们提供了可以直接比较的常见网络结构。然而，FCNS包含来自固有局限性的一系列数据不确定性，例如，在收购期间，以及体素级数据的丢失以及数据抽象中的阈值平衡。此外，由于了解数据的复杂性，在解释期间出现人的不确定性。虽然现有的FCN视觉分析工具已经开始减轻人类歧义，但降低数据限制的影响是一个公开问题。在本文中，我们提出了一种新的视觉分析框架，具有三个联系，目的设计的组件，以唤起FMRI数据的更深解释：（i）增强的FCN抽象; （ii）时间信号观看者; （iii）解剖背景。每个组件专门设计有新的视觉提示和相互作用，以暴露不确定性对数据的影响。我们通过使用小倍数和标记方法来增加这两种设计用于比较主体的方法。我们展示了我们的框架在三个案例研究中实现了普通研究场景的框架，突出了临床精神分裂症数据，这突出了解释FMRI FCN数据的价值，以了解不确定性。最后，我们在FMRI视觉分析的背景下讨论了我们的框架和我们方法的可扩展性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号