Analýza lidského mozku pomocí NMR spektra a neuronových sítích

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F08%3A03145662" target="_blank" >RIV/68407700:21230/08:03145662 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/00023001:_____/08:00001909

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Analysis of Human Brain NMR Spectra in Vivo Using Artificial Neural Networks

Popis výsledku v původním jazyce

Magnetic resonance has proven to be a successful method of in-vivo imaging. Although MRI can help detect various pathologies, its ability to classify the nature of the pathological tissue is limited. Magnetic resonance spectroscopy allows identifying metabolite content of the tissue and estimating the metabolite concentration. Map of metabolite concentration along with the MR image allows proper classification of many pathologies, for example progressive tumorous tissue identification in brain. Standardmethods used to analyze nuclear magnetic resonance spectra such as singular value decomposition or curve fitting algorithms are very time consuming taking several minutes to analyze spectrum from a single voxel. To analyze the spectra from a chemical shift imagine sequence (CSI) in maximal resolution hundreds of spectra need to be processed. The suggested ANN framework proved to be much faster. Networks were trained on the outputs of LCModel curve fitting algorithm.

Název v anglickém jazyce

Analysis of Human Brain NMR Spectra in Vivo Using Artificial Neural Networks

Popis výsledku anglicky

Magnetic resonance has proven to be a successful method of in-vivo imaging. Although MRI can help detect various pathologies, its ability to classify the nature of the pathological tissue is limited. Magnetic resonance spectroscopy allows identifying metabolite content of the tissue and estimating the metabolite concentration. Map of metabolite concentration along with the MR image allows proper classification of many pathologies, for example progressive tumorous tissue identification in brain. Standardmethods used to analyze nuclear magnetic resonance spectra such as singular value decomposition or curve fitting algorithms are very time consuming taking several minutes to analyze spectrum from a single voxel. To analyze the spectra from a chemical shift imagine sequence (CSI) in maximal resolution hundreds of spectra need to be processed. The suggested ANN framework proved to be much faster. Networks were trained on the outputs of LCModel curve fitting algorithm.

Druh

D - Stať ve sborníku

CEP obor

JD - Využití počítačů, robotika a její aplikace

OECD FORD obor

—

Projekt

—

Návaznosti

Z - Vyzkumny zamer (s odkazem do CEZ)

Rok uplatnění

2008

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Artificial Neural Networks - ICANN 2008

ISBN

978-3-540-87558-1

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

10

Strana od-do

—

Název nakladatele

Springer

Místo vydání

Heidelberg

Místo konání akce

Prague

Datum konání akce

3. 9. 2008

Typ akce podle státní příslušnosti

EUR - Evropská akce

Kód UT WoS článku

000259567200054