In den modernen Neurowissenschaften ist allgemein anerkannt, dass die Gehirnfunktionen auf dem Zusammenwirken von verschiedenen Regionen in Netzwerken beruhen und die strukturelle Konnektivität daher großer Bedeutung ist. Daher kann die Abgrenzung funktioneller Hirnbereiche auf der Grundlage der Diffusions-Magnet-Resonanz-Tomographie (dMRT) und der Traktografie zu wertvollen Hirnkarten führen.Existierende Verfahren versuchen eine fest vorgegebene Anzahl von Regionen zu finden und/oder sind auf kleine Bereiche der grauen Substanz beschränkt. Im Allgemeinen ist es jedoch unwahrscheinlich, dass eine einzelne Parzellierung des Kortex, eine ausreichende Darstellung der funktio- anatomischen Organisation des Gehirns erlaubt. In dieser Arbeit schlagen wir eine hierarchische Clusteranalyse vor um diese Einschränkungen zu überwinden und das gesamte Gehirn zu parzellieren. Wir zeigen, dass dieses Verfahren die Eigenschaften der zugrundeliegenden Struktur auf allen Granularitätstufen des hierarchischen Baums (Dendrogramm) kodieren kann. Weiterhin entwickeln wir eine optimale Verarbeitungspipeline zur Erstellung dieses Baums, die dessen Komplexität mit minimalem Informationsverlust reduziert. Wir zeigen wie diese Datenstrukturen verwendet werden können um die Ähnlichkeitstruktur von verschiedenen Probanden oder Messungen zu vergleichen und wie man daraus verschiedene Parzellierungen des Gehirns erhalten kann.Unser neuer Ansatz liefert eine ausführlichere Analyse der anatomischen Strukturen und bietet eine Methode zur Parzellierung des ganzen Gehirns.
In modern neuroscience there is general agreement that brain function relies on networks and that connectivity is therefore of paramount importance for brain function. Accordingly, the delineation of functional brain areas on the basis of diffusion magnetic resonance imaging (dMRI) and tractography may lead to highly relevant brain maps.Existing methods typically aim to find a predefined number of areas and/or are limited to small regions of grey matter. However, it is in general not likely that a single parcellation dividing the brain into a finite number of areas is an adequate representation of the function-anatomical organization of the brain. In this work, we propose hierarchical clustering as a solution to overcome these limitations and achieve whole-brain parcellation. We demonstrate that this method encodes the information of the underlying structure at all granularity levels in a hierarchical tree or dendrogram. We develop an optimal tree building and processing pipeline that reduces the complexity of the tree with minimal information loss. We show how these trees can be used to compare the similarity structure of different subjects or recordings and how to extract parcellations from them.Our novel approach yields a more exhaustive representation of the real underlying structure and successfully tackles the challenge of whole-brain parcellation.