Machine learning based white matter models with permeability: An experimental study in cuprizone treated in-vivo mouse model of axonal demyelination.

Animals Axons / metabolism Computer Simulation Corpus Callosum / pathology Cuprizone / toxicity Demyelinating Diseases / chemically induced Diffusion Magnetic Resonance Imaging Disease Models, Animal Image Processing, Computer-Assisted Machine Learning Mice Microscopy, Electron Monoamine Oxidase Inhibitors / toxicity Monte Carlo Method Permeability White Matter / diagnostic imaging

Journal

NeuroImage
ISSN: 1095-9572
Titre abrégé: Neuroimage
Pays: United States
ID NLM: 9215515

Informations de publication

Date de publication:
01 01 2021
Historique:
received: 24 07 2019
revised: 29 09 2020
accepted: 30 09 2020
pubmed: 10 10 2020
medline: 9 3 2021
entrez: 9 10 2020
Statut: ppublish

Résumé

The intra-axonal water exchange time (τ

Identifiants

DOI: 10.1016/j.neuroimage.2020.117425 PMID: 33035669
pubmed: 33035669
pii: S1053-8119(20)30910-1
doi: 10.1016/j.neuroimage.2020.117425
pii:
doi:

Substances chimiques

Monoamine Oxidase Inhibitors 0
Cuprizone 5N16U7E0AO

Types de publication

Journal Article Research Support, Non-U.S. Gov't

Langues

eng

Sous-ensembles de citation

IM

Pagination

117425

Subventions

Organisme : Department of Health
Pays : United Kingdom
Organisme : Medical Research Council
ID : MR/T020296/1
Pays : United Kingdom

Informations de copyright

Copyright © 2020. Published by Elsevier Inc.

Auteurs

Ioana Hill (I)

Centre for Medical Image Computing and Dept of Computer Science, University College London, London, UK.

Marco Palombo (M)

Centre for Medical Image Computing and Dept of Computer Science, University College London, London, UK. Electronic address: marco.palombo@ucl.ac.uk.

Mathieu Santin (M)

Institut du Cerveau et de la Moelle épinière, ICM, Sorbonne Université, Inserm 1127, CNRS UMR 7225, F-75013, Paris, France; Institut du Cerveau et de la Moelle épinière, ICM, Centre de NeuroImagerie de Recherche, CENIR, Paris, France.

Francesca Branzoli (F)

Institut du Cerveau et de la Moelle épinière, ICM, Sorbonne Université, Inserm 1127, CNRS UMR 7225, F-75013, Paris, France; Institut du Cerveau et de la Moelle épinière, ICM, Centre de NeuroImagerie de Recherche, CENIR, Paris, France.

Anne-Charlotte Philippe (AC)

Institut du Cerveau et de la Moelle épinière, ICM, Sorbonne Université, Inserm 1127, CNRS UMR 7225, F-75013, Paris, France.

Demian Wassermann (D)

Université Côte d'Azur, Inria, Sophia-Antipolis, France; Parietal, CEA, Inria, Saclay, Île-de-France.

Marie-Stephane Aigrot (MS)

Institut du Cerveau et de la Moelle épinière, ICM, Sorbonne Université, Inserm 1127, CNRS UMR 7225, F-75013, Paris, France.

Bruno Stankoff (B)

Institut du Cerveau et de la Moelle épinière, ICM, Sorbonne Université, Inserm 1127, CNRS UMR 7225, F-75013, Paris, France; AP-HP, Hôpital Saint-Antoine, Paris, France.

Anne Baron-Van Evercooren (A)

Institut du Cerveau et de la Moelle épinière, ICM, Sorbonne Université, Inserm 1127, CNRS UMR 7225, F-75013, Paris, France.

Mehdi Felfli (M)

Institut du Cerveau et de la Moelle épinière, ICM, Sorbonne Université, Inserm 1127, CNRS UMR 7225, F-75013, Paris, France.

Dominique Langui (D)

Institut du Cerveau et de la Moelle épinière, ICM, Sorbonne Université, Inserm 1127, CNRS UMR 7225, F-75013, Paris, France.

Hui Zhang (H)

Centre for Medical Image Computing and Dept of Computer Science, University College London, London, UK.

Stephane Lehericy (S)

Institut du Cerveau et de la Moelle épinière, ICM, Sorbonne Université, Inserm 1127, CNRS UMR 7225, F-75013, Paris, France; Institut du Cerveau et de la Moelle épinière, ICM, Centre de NeuroImagerie de Recherche, CENIR, Paris, France.

Alexandra Petiet (A)

Institut du Cerveau et de la Moelle épinière, ICM, Sorbonne Université, Inserm 1127, CNRS UMR 7225, F-75013, Paris, France; Institut du Cerveau et de la Moelle épinière, ICM, Centre de NeuroImagerie de Recherche, CENIR, Paris, France.

Daniel C Alexander (DC)

Centre for Medical Image Computing and Dept of Computer Science, University College London, London, UK.

Olga Ciccarelli (O)

Dept. of Neuroinflammation, University College London, Queen Square Institute of Neurology, University College London, London, UK.

Ivana Drobnjak (I)

Centre for Medical Image Computing and Dept of Computer Science, University College London, London, UK.

Articles similaires

Evaluating the efficacy of telesurgery with dual console SSI Mantra Surgical Robotic System: experiment on animal model and clinical trials.

Sudhir Prem Srivastava, Vishwajyoti Pascual Srivastava, Avinesh Singh et al.
1.00
Robotic Surgical Procedures Animals Humans Telemedicine Models, Animal

Odour generalisation and detection dog training.

Lyn Caldicott, Thomas W Pike, Helen E Zulch et al.
1.00
Animals Odorants Dogs Generalization, Psychological Smell

Atomic view of photosynthetic metabolite permeability pathways and confinement in synthetic carboxysome shells.

Daipayan Sarkar, Christopher Maffeo, Markus Sutter et al.
1.00
Photosynthesis Ribulose-Bisphosphate Carboxylase Carbon Dioxide Molecular Dynamics Simulation Cyanobacteria

FBXO22 inhibits colitis and colorectal carcinogenesis by regulating the degradation of the S2448-phosphorylated form of mTOR.

Minle Li, Xuan Chen, Pengfei Qu et al.
1.00
Animals TOR Serine-Threonine Kinases Colorectal Neoplasms Colitis Mice

Classifications MeSH

questionsmedicales.fr › Eucaryotes › Animaux › Machine learning based white matter models...
questionsmedicales.fr › Cellules › Neurones › Neurofibres › Axones › Machine learning based white matter models...
questionsmedicales.fr › Sciences de l'information › Méthodologies informatiques › Simulation numérique › Machine learning based white matter models...
questionsmedicales.fr › Système nerveux › Système nerveux central › Encéphale › Prosencéphale › Télencéphale › Commissures du télencéphale › Corps calleux › Machine learning based white matter models...
questionsmedicales.fr › Composés chimiques organiques › Hydrocarbures › Hydrocarbures cycliques › Hydrocarbures alicycliques › Cyclohexanes › Cuprizone › Machine learning based white matter models...
questionsmedicales.fr › Maladies du système nerveux › Maladies démyélinisantes › Machine learning based white matter models...
questionsmedicales.fr › Diagnostic › Techniques et procédures diagnostiques › Imagerie diagnostique › Tomographie › Imagerie par résonance magnétique › Imagerie par résonance magnétique de diffusion › Machine learning based white matter models...
questionsmedicales.fr › Techniques d'investigation › Modèles théoriques › Modèles biologiques › Modèles animaux de maladie humaine › Machine learning based white matter models...
questionsmedicales.fr › Sciences de l'information › Méthodologies informatiques › Traitement d'image par ordinateur › Machine learning based white matter models...
questionsmedicales.fr › Sciences de l'information › Méthodologies informatiques › Algorithmes › Intelligence artificielle › Apprentissage machine › Machine learning based white matter models...
questionsmedicales.fr › Eucaryotes › Animaux › Chordés › Vertébrés › Mammifères › Eutheria › Rodentia › Muridae › Murinae › Souris › Machine learning based white matter models...
questionsmedicales.fr › Techniques d'investigation › Microscopie électronique › Machine learning based white matter models...
questionsmedicales.fr › Actions chimiques et utilisations › Actions pharmacologiques › Mécanismes moléculaires de l'action pharmacologique › Antienzymes › Inhibiteurs de la monoamine oxydase › Machine learning based white matter models...
questionsmedicales.fr › Environnement et santé publique › Santé publique › Méthodes épidémiologiques › Statistiques comme sujet › Méthode de Monte Carlo › Machine learning based white matter models...
questionsmedicales.fr › Phénomènes chimiques › Perméabilité › Machine learning based white matter models...
questionsmedicales.fr › Système nerveux › Système nerveux central › Moelle spinale › Substance blanche › Machine learning based white matter models...