Técnicas de visualización orientadas a la reducción de complejidad geométrica e interpretativa en escenas neuronales
Résumé
La presente Tesis está englobada en el marco de los proyectos Blue Brain Project (BBP) y Human Brain Project (HBP), dos iniciativas internacionales de carácter interdisciplinar que buscan entender los mecanismos biológicos responsables de la actividad cerebral. El proyecto HBP en particular, se centra en el estudio de la actividad cerebral humana, para generar modelos computaciones que permitan simularlos. Concretamente, el trabajo realizado en esta Tesis, está centrado en la generación de técnicas de visualización para el análisis de representaciones neuronales, orientadas a la reducción de complejidad, utilizando para ello información neurocientí ca así como los nuevos avances ofrecidos en computación grá ca. Conocer el funcionamiento cerebral pasa por la extracción y análisis de datos de muy diverso tipo, experimentos y disciplinas [120]. En concreto, para estudiar la morfología neuronal, es común la utilización de los trazados morfológicos, por ser datos muy compactos y fácilmente manejables, además de la facilidad que permiten para realizar cálculos numéricos sobre ellos, tal como el cálculo de longitudes o volúmenes de partes de la neurona. En esta Tesis se ha realizado una serie de contribuciones utilizando como base este tipo de información compacta, con el objetivo de mejorar las capacidades de análisis y disminuir la complejidad de las escenas que se representen. Se han desarrollado dos líneas de investigación, una buscando reducir la complejidad computacional requerida para visualizar escenas neuronales complejas, y otra orientada a reducir la complejidad interpretativa a la hora de extraer conocimiento sobre este tipo de escenas. En la línea orientada a reducir la complejidad computacional, se han generado unos algoritmos que permiten reconstruir toda la neuromembrana, buscando soluciones adaptadas a cada uno de los principales elementos que conforman la super cie neuronal: el soma, las neuritas y las espinas. La complejidad de estas escenas se ha abordado por medio de la utilización de técnicas de niveles de detalle, inicialmente discretos, pero, que posteriormente, aprovechando las capacidades de procesamiento de las GPUs, se han mejorado aplicando técnicas de re namiento en tiempo real, utilizando para ello shaders de teselación sobre un mallado base muy grosero y compacto. En esta misma línea, se ha dado un paso más, y se ha desarrollado una técnica que permite no sólo generar la malla el nivel de detalle deseado al vuelo, sino además hacerlo de manera adaptativa, pudiendo asignar niveles de importancia a variables a lo largo de la neurona para que se re ne la malla consecuentemente. En la línea de investigación orientada hacia la mejora de las capacidades interpretativas, se ha aprovechado la delidad de las representaciones realistas que se generan, y se ha desarrollado una técnica de visualización especialmente diseñada para adaptarse a las peculiaridades de las estructuras neuronales. Donde, para evitar la saturación visual provocada por la complejidad de la escena, se permite realizar una visualización incremental de las variables a analizar. De esta forma no se visualiza toda la escena a la vez, sino que que se permite al usuario visualizar las zonas de interés de acuerdo a distintos criterios y condiciones sobre las variables bajo estudio. Otro trabajo elaborado en esta línea, consiste en expresar la información morfológica más relevante por medio de representaciones semánticas, utilizando formas geométricas muy simples, escalas de colores y números, para representar y destacar las principales características de los datos. Este tipo de representación permite al usuario una exploración más sencilla, así como observar y comparar las variables de interés. Siguiendo este enfoque, se ha creado una modelo de representación para el análisis de información morfológica y uno enfocado al análisis de información de simulación. Ambas aproximaciones estructuran la información utilizando diferentes representaciones para facilitar el análisis.
Description
Tesis Doctoral leída en la Universidad Rey Juan Carlos de Madrid en 2016. Directores de la Tesis: Susana Mata Fernández y Sofía Bayona Beriso
Colecciones
- Tesis Doctorales [1490]
Herramientas
Estadísticas
Statistiques d'usage de visualisationCitas
Los ítems de digital-BURJC están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario