Visualitzation and processing of diffusion tensor MRI

Diffusion Tensor Imaging (DTI) is a new magnetic resonance imaging modality capable of producing quantitative maps of microscopic natural displacements of water molecules that occur in brain tissues as part of the physical diffusion process. This technique has become a powerful tool in the investigation of brain structure and function because it allows for in vivo measurements of white matter fiber orientation. The application of DTI in clinical practice requires specialized processing and visualization techniques to extract and represent acquired information in a comprehensible manner. Tracking techniques are used to infer patterns of continuity in the brain by following in a step-wise mode the path of a set of particles dropped into a vector field. In this way, white matter fiber maps can be obtained.

Segmentació de teixit i lesions en imatges de MRI de malalts d'esclerosi múltiple

Actualment, en l'àmbit mèdic, la ressonància magnètica, MRI Magnetic Resonance Imaging, és un dels sistemes més utilitzats per a la realització de diagnòstics i el seguiment de l'evolució de malalties com l'esclerosi múltiple (EM). No obstant, la gran quantitat d'informació que proporciona aquesta modalitat té com a conseqüència una tasca feixuga d'anàlisi i d'interpretació per part dels radiòlegs i neuròlegs. L'objectiu general d'aquest projecte és desenvolupar un sistema per ajudar als metges a segmentar les imatges de MRI del cervell. S'ha implementat amb MATLAB. Durant tot el procés s'han utilitzat dades sintètiques, de la base de dades simulada BrainWeb, i reals, proporcionades pels grup de metges col•laboradors amb el grup VICOROB. El projecte s'emmarca dins d'un projecte de recerca del grup de Visió per Computador i Robòtica de la Universitat de Girona

A Monte Carlo-Based Fiber Tracking Algorithm using Diffusion Tensor MRI

Diffusion tensor magnetic resonance imaging, which measures directional information of water diffusion in the brain, has emerged as a powerful tool for human brain studies. In this paper, we introduce a new Monte Carlo-based fiber tracking approach to estimate brain connectivity. One of the main characteristics of this approach is that all parameters of the algorithm are automatically determined at each point using the entropy of the eigenvalues of the diffusion tensor. Experimental results show the good performance of the proposed approach

Predictors of knowledge creation performance. A quantitative qualitative comparative study of European doctorandi

Aquesta tesi forma part d'un projecte destinat a predir el rendiment acadèmic dels estudiants de doctorat portat a terme per l'INSOC (International Network on Social Capital and Performance). El grup de recerca INSOC està format per les universitats de Girona (Espanya), Ljubljana (Eslovènia), Giessen (Alemanya) i Ghent (Bèlgica). El primer objectiu d'aquesta tesi és desenvolupar anàlisis quantitatius comparatius sobre el rendiment acadèmic dels estudiants de doctorat entre Espanya, Eslovènia i Alemanya a partir dels resultats individuals del rendiment acadèmic obtinguts de cada una de les universitats. La naturalesa internacional del grup de recerca implica la recerca comparativa. Vam utilitzar variables personal, actitudinals i de xarxa per predir el rendiment. El segon objectiu d'aquesta tesi és entendre de manera qualitativa perquè les variables de xarxa no ajuden quantitativament a predir el rendiment a la universitat de Girona (Espanya). En el capítol 1, definim conceptes relacionats amb el rendiment i donam un llistat de cada una de les variables independents (variables de xarxa, personals i actitudinals), resumint la lliteratura. Finalment, explicam com s'organitzen els estudis de doctorat a cada un dels diferents països. A partir d'aquestes definicions teòriques, en els pròxims capítols, primer presentarem els qüestionaris utilitzats a Espanya, Eslovènia i Alemanya per mesurar aquests diferents tipus de variables. Després, compararem les variables que són relevants per predir el rendiment dels estudiants de doctorat a cada país. Després d'això, fixarem diferents models de regressió per predir el rendiment entre països. En tots aquests models les variables de xarxa fallen a predir el rendiment a la Universitat de Girona. Finalment, utilitzem estudis qualitatius per entendre aquests resultats inesperats. En el capítol 2, expliquem com hem dissenyat i conduït els qüestionaris en els diferents països amb l'objectiu d'explicar el rendiment dels estudiants de doctorat obtinguts a Espanya, Eslovènia i Alemanya. En el capítol 3, cream indicadors comparables però apareixen problemes de comparabilitat en preguntes particulars a Espanya, Eslovènia i Alemanya. En aquest capítol expliquem com utilitzem les variables dels tres països per crear indicadors comparables. Aquest pas és molt important perquè el principal objectiu del grup de recerca INSOC és comparar el rendiment dels estudiants de doctorat entre els diferents països. En el capítol 4 comparem models de regressió obtinguts de predir el rendiment dels estudiants de doctorat a les universitats de Girona (Espanya) i Eslovènia. Les variables són característiques dels grups de recerca dels estudiants de doctorat enteses com una xarxa social egocèntrica, característiques personals i actitudinals dels estudiants de doctorat i algunes carecterístiques dels directors. Vam trobar que les variables de xarxa egocèntriques no predien el rendiment a la Universitat de Girona. En el capítol 5, comparem dades eslovenes, espanyoles i alemnayes, seguint la metodologia del capítol 4. Concluïm que el cas alemany és molt diferent. El poder predictiu de les variables de xarxa no millora. En el capítol 6 el grup de recerca dels estudiants de doctorat és entès com una xarxa duocèntrica (Coromina et al., 2008), amb l'objectiu d'obtendre informació de la relació mútua entre els estudiants i els seus directors i els contactes d'ambdós amb els altres de la xarxa. La inclusió de la xarxa duocèntrica no millora el poder predictiu del model de regressió utilitzant les variales egocèntriques de xarxa. El capítol 7 pretèn entendre perquè les variables de xarxa no predeixen el rendiment a la Universitat de Girona. Utilitzem el mètode mixte, esperant que l'estudi qualitatiu pugui cobrir les raons de perquè la qualitat de la xarxa falla en la qualitat del treball dels estudiants. Per recollir dades per l'estudi qualitatiu utilitzem entrevistes en profunditat.