Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Neural Circuits01:25

Neural Circuits

3.0K
Neural circuits and neuronal pools are two of the main structures found in the nervous system. Neural circuits are networks of neurons that work together to carry out a specific task or process. They consist of interconnected neurons and glial cells, which provide structural and metabolic support.
Neuronal pools are collections of nerve cells with similar functions and interact through chemical and electrical signals. These pools include both interneurons (the central neural circuit nodes that...
3.0K
Association Areas of the Cortex01:21

Association Areas of the Cortex

9.9K
Association areas are regions of the cerebral cortex that do not have a specific sensory or motor function. Instead, they integrate and interpret information from various sources to enable higher cognitive processes such as memory, learning, and decision-making. Some key association areas include the following:
Prefrontal Association Area: This area is located in the frontal lobe and is involved in planning, decision-making, and moderating social behavior. It connects with primary motor areas,...
9.9K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Structural connectome analysis using a graph-based deep model for prediction of non-imaging variables.

Frontiers in neuroscience·2026
Same author

DEEP-LEARNING CORTICAL REGISTRATION GUIDED BY STRUCTURAL AND DIFFUSION MRI AND CONNECTIVITY.

Proceedings. IEEE International Symposium on Biomedical Imaging·2026
Same author

Joint Neural Network for Fast Retrospective Rigid Motion Correction of Accelerated Segmented Multislice MRI.

Proceedings of the International Society for Magnetic Resonance in Medicine ... Scientific Meeting and Exhibition. International Society for Magnetic Resonance in Medicine. Scientific Meeting and Exhibition·2026
Same author

Enhancing radiology workflows through collaborative AI-assisted chest X-ray reporting using large vision-language models: a proof-of-concept study.

Insights into imaging·2026
Same author

Specialized foundation models for intelligent operating rooms.

NPJ digital medicine·2026
Same author

Left Ventricular Geometry Improves Prediction of Sex-Specific Post-TAVR Remodeling in Aortic Stenosis.

medRxiv : the preprint server for health sciences·2026

Video Experimental Relacionado

Updated: Feb 26, 2026

Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms
08:51

Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms

Published on: November 1, 2019

6.1K

Segmentación cortical multimodal basada en conectividad con redes neuronales de grafos

Agata Łabiak1, Anees Kazi2, Chantal Pellegrini1

  • 1Computer-Aided Medical Procedures and Augmented Reality, Technical University of Munich, Munich, Germany.

Frontiers in neuroscience
|February 25, 2026
PubMed
Resumen
Este resumen es generado por máquina.

Las Redes Neuronales de Grafos (GNN) ofrecen una segmentación eficiente de la corteza cerebral a partir de datos de RM. La combinación de datos de RM estructural y de difusión con GNN, en particular la Red de Atención de Grafos (GAT), mejora la precisión de la segmentación.

Palabras clave:
FreeSurferpredicción basada en conectomasegmentación corticalRM de difusión (dRM)redes neuronales de grafosconectividad cerebral estructural

Más Videos Relacionados

Author Spotlight: Advancing Large-Scale Neural Dynamics Through HD-MEA Technology
09:44

Author Spotlight: Advancing Large-Scale Neural Dynamics Through HD-MEA Technology

Published on: March 8, 2024

5.9K
Brain Mapping Using a Graphene Electrode Array
10:32

Brain Mapping Using a Graphene Electrode Array

Published on: October 20, 2023

2.4K

Videos de Experimentos Relacionados

Last Updated: Feb 26, 2026

Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms
08:51

Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms

Published on: November 1, 2019

6.1K
Author Spotlight: Advancing Large-Scale Neural Dynamics Through HD-MEA Technology
09:44

Author Spotlight: Advancing Large-Scale Neural Dynamics Through HD-MEA Technology

Published on: March 8, 2024

5.9K
Brain Mapping Using a Graphene Electrode Array
10:32

Brain Mapping Using a Graphene Electrode Array

Published on: October 20, 2023

2.4K

Área de la Ciencia:

  • Neuroimagen
  • Inteligencia Artificial
  • Neurociencia Computacional

Sus antecedentes:

  • La segmentación manual de la corteza cerebral a partir de RM requiere mucho tiempo y experiencia.
  • Se necesitan métodos de segmentación automatizados para mejorar la eficiencia y la precisión.
  • Las Redes Neuronales de Grafos (GNN) muestran potencial para tareas de análisis de datos complejas.

Objetivo del estudio:

  • Evaluar el rendimiento de diferentes arquitecturas de GNN para la segmentación de la corteza cerebral.
  • Investigar el impacto de los datos multimodales (sRM y dRM) en la precisión de la segmentación.
  • Comparar la segmentación basada en GNN con FreeSurfer para la predicción de datos demográficos/clínicos.

Principales métodos:

  • Se entrenaron tres arquitecturas de GNN: Red Convolucional de Grafos (GCN), Red de Atención de Grafos (GAT) y Graph U-Net.
  • Se utilizaron datos de RM estructural (sRM) y RM de difusión (dRM) para la segmentación multimodal.
  • Se evaluó el rendimiento de la segmentación utilizando etiquetas derivadas de FreeSurfer y puntuaciones de Dice.
  • Se comparó la segmentación GNN y FreeSurfer para la predicción de datos demográficos/clínicos.

Principales resultados:

  • La arquitectura GAT logró puntuaciones de Dice competitivas con métodos no gráficos existentes.
  • La incorporación de la conectividad estructural de la dRM mejoró significativamente la precisión de la segmentación en comparación con la sRM sola.
  • Los modelos GNN entrenados con atributos combinados de sRM y dRM superaron a los entrenados únicamente con sRM.
  • Ni la segmentación basada en GNN ni la de FreeSurfer mostraron superioridad en la predicción de datos demográficos/clínicos.

Conclusiones:

  • Las GNN, especialmente GAT, son herramientas eficaces para la segmentación automatizada de la corteza cerebral.
  • La integración de datos multimodales (sRM y dRM) mejora el rendimiento de la segmentación basada en GNN.
  • Los enfoques GNN y FreeSurfer demostraron una utilidad comparable en la predicción de resultados demográficos/clínicos.