Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Adaptation Approaches in Unsupervised Learning: A Survey of the State-of-the-Art and Future Directions Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

White Matter Fiber-Bundle Analysis Using Non-negative Tensor Factorization

verfasst von : Claudio Stamile, François Cotton, Frederik Maes, Dominique Sappey-Marinier, Sabine Van Huffel

Erschienen in: Image Analysis and Recognition

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

With the development of advanced image acquisition and processing techniques providing better biomarkers for the characterization of brain diseases, the automatic analysis of biomedical imaging constitutes a critical point. In particular, analysis of complex data structure is a challenge for better understanding complex brain pathologies like multiple sclerosis (MS).
In this work, we describe a new fully automated method based on non-negative tensor factorization (NTF) to analyze white matter (WM) fiber-bundles. This method allows to extract, from a WM fiber-bundle, the set of fibers affected by the pathology, discriminating fibers affected by the pathological from the healthy fibers.
Our method was validated on simulated data and also applied on real MS patients. Results show the high precision level of our method to extract fibers affected by the pathological process.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Automatic Rating of Perivascular Spaces in Brain MRI Using Bag of Visual Words
Nächstes Kapitel A Flexible 2D-3D Parametric Image Registration Algorithm for Cardiac MRI
Literatur
1.
Arthur, D., Vassilvitskii, S.: k-means++: The advantages of careful seeding. In: Proceedings of the Eighteenth Annual ACM-SIAM Symposium on Discrete Algorithms, pp. 1027–1035 (2007)
2.
Cichocki, A., Zdunek, R., Phan, A.H., Amari, S.I.: Nonnegative Matrix and Tensor Factorizations: Applications to Exploratory Multi-way Data Analysis and Blind Source Separation. Wiley, Chichester (2009)CrossRef
3.
Colby, J.B., Soderberg, L., Lebel, C., Dinov, I.D., Thompson, P.M., Sowell, E.R.: Along-tract statistics allow for enhanced tractography analysis. Neuroimage 59(4), 3227–3242 (2012)CrossRef
4.
Halandur Nagaraja, B., Sima, D., Sauwen, N., Himmelreich, U., De Lathauwer, L., Van Huffel, S.: Tensor based tumor tissue type differentiation using magnetic resonance spectroscopic imaging. In: Annual International Conference of the IEEE, EMBC, pp. 7003–7006 (2015)
5.
Hua, K., Zhang, J., Wakana, S., Jiang, H., Li, X., Reich, D.S., Calabresi, P.A., Pekar, J.J., van Zijl, P.C.M., Mori, S.: Tract probability maps in stereotaxic spaces: analyses of white matter anatomy and tract-specific quantification. Neuroimage 39(1), 336–347 (2008)CrossRef
6.
MacQueen, J.: Some methods for classification and analysis of multivariate observations. In: Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, vol. 1, pp. 281–297 (1967)
7.
Mårtensson, J., Nilsson, M., Ståhlberg, F., Sundgren, P.C., Nilsson, C., van Westen, D., Larsson, E.-M., Lätt, J.: Spatial analysis of diffusion tensor tractography statistics along the inferior fronto-occipital fasciculus with application in progressive supranuclear palsy. MAGMA 26(6), 527–537 (2013)CrossRef
8.
Sorber, L., Van Barel, M., De Lathauwer, L.: Tensorlab v2.0, January 2014
9.
Sorber, L., Van Barel, M., De Lathauwer, L.: Structured data fusion. Sel. Top. Sig. Process. 9(4), 586–600 (2015)CrossRef
10.
Stamile, C., Kocevar, G., Cotton, F., Durand-Dubief, F., Hannoun, S., Frindel, C., Rousseau, D., Sappey-Marinier, D.: Detection of longitudinal dti changes in multiple sclerosis patients based on sensitive WM fiber modeling. In: ISMRM, May-June 2015, Toronto, Canada (2015)
11.
Stamile, C., Kocevar, G., Cotton, F., Durand-Dubief, F., Hannoun, S., Frindel, C., Rousseau, D., Sappey-Marinier, D.: A longitudinal model for variations detection in white matter fiber-bundles. In: IWSSIP, pp. 57–60 (2015)
12.
Tournier, J.D., Calamante, F., Connelly, A.: MRtrix: diffusion tractography in crossing fiber regions. Int. J. Imaging Syst. Technol. 22, 53–66 (2012)CrossRef
13.
Varentsova, A., Zhang, S., Arfanakis, K.: Development of a high angular resolution diffusion imaging human brain template. Neuroimage 91, 177–186 (2014)CrossRef
14.
Yeatman, J.D., Dougherty, R.F., Myall, N.J., Wandell, B.A., Feldman, H.M.: Tract profiles of white matter properties: automating fiber-tract quantification. PLoS One 7(11), e49790 (2012)CrossRef
15.
Zhang, H., Yushkevich, P.A., Alexander, D.C., Gee, J.C.: Deformable registration of diffusion tensor MR images with explicit orientation optimization. Med. Image Anal. 10(5), 764–785 (2006)CrossRef
16.
Zink, R., Hunyadi, B., Van Huffel, S., De Vos, M.: Tensor-based classification of auditory mobile BCI without subject-specific calibration phase. J. Neural Eng. 13(2), 026005 (2016)CrossRef
Metadaten
Titel
White Matter Fiber-Bundle Analysis Using Non-negative Tensor Factorization
verfasst von
Claudio Stamile
François Cotton
Frederik Maes
Dominique Sappey-Marinier
Sabine Van Huffel
Copyright-Jahr
2016
Buch
Image Analysis and Recognition

Print ISBN: 978-3-319-41500-0

Electronic ISBN: 978-3-319-41501-7

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-41501-7_73