Przyszłość MRI – od Big Data, przez radiomikę, wolumetrię i atlas mózgowia, do detekcji różnic w tym, co podobne

Sokół, Maria; Kijonka, Marek; Psiuk-Maksymowicz, Krzysztof; Borys, Damian

Artykuł - szczegóły

Tytuł artykułu

Przyszłość MRI – od Big Data, przez radiomikę, wolumetrię i atlas mózgowia, do detekcji różnic w tym, co podobne

Autorzy

Sokół Maria , Kijonka Marek , Psiuk-Maksymowicz Krzysztof , Borys Damian

Treść / Zawartość

Pełne teksty:

Pobierz

Identyfikatory

Warianty tytułu

Języki publikacji

Abstrakty

Rozwój specjalistycznych technik obrazowania medycznego dynamicznie zmierza do przekształcenia tych technik z narzędzi diagnostycznych do roli głównej w kontekście spersonalizowanej medycyny precyzyjnej. W niniejszej pracy przeglądowej chcielibyśmy nakreślić ten proces na podstawie technik obrazowych rezonansu magnetycznego – ukierunkowany jest on na analizę i porównywanie zbiorów danych typu Big Data oraz wyszukiwanie cech charakterystycznych, mających swoją ilościową, wolumetryczną miarę, oraz na korzystanie z atlasów mózgowia jako narzędzi wspomagających diagnostykę. Wpisuje się to w nowy obszar wiedzy zwany radiomiką. Radiomika jest w stanie wnieść skuteczny klinicznie i opłacalny wkład szczególnie w diagnostyce onkologicznej i monitorowaniu terapii przeciwnowotworowych jako narzędzie podejmowania decyzji w medycynie spersonalizowanej. Należy jednak ustanowić systematyczne ramy oceny, aby można było z pewnością wykazać te korzyści. Pomimo tego, że kwestia zróżnicowania profili morfologicznych w przekrojach populacyjnych ludzi jest znana, populacja polska nie została jeszcze pod tym względem scharakteryzowana. To uzasadniało podjęcie własnych badań w tym zakresie. Ich głównym celem było wyznaczenie wzorców zmian obrazu morfologicznego dla przykładowej populacji mieszkańców Górnego Śląska, a celem szczegółowym – scharakteryzowanie cech wolumetrycznych mózgowia w tej populacji i prześledzenie zmian miar objętościowych podlegających dymorfizmowi płciowemu w przebiegu starzenia się, w odniesieniu do zmienności całkowitej objętości wewnątrzczaszkowej (ang. Intracranial Volume, ICV) i całkowitej objętości mózgowia (ang. Total Brain Volume, TBV) [1]. Kolejnym krokiem było utworzenie pierwszego polskiego subpopulacyjnego atlasu MRI mózgowia wraz z mapami probabilistycznymi zawartości struktur tkankowych, z uwzględnieniem zmienności spowodowanej płcią i wiekiem [2].

Słowa kluczowe

rezonans magnetyczny analiza wolumetryczna atlas MRI atlas mózgowia

Wydawca

Indygo Zahir Media

Czasopismo

Inżynier i Fizyk Medyczny

Rocznik

2023

Tom

Vol. 12, nr 4

Strony

346--351

Opis fizyczny

Bibliogr. 68 poz., rys., wykr.

Twórcy

autor

Sokół Maria

maria.sokol@io.gliwice.pl

Zakład Fizyki Medycznej, Narodowy Instytut Onkologii im. Marii Skłodowskiej-Curie – Państwowy Instytut Badawczy, Oddział w Gliwicach

autor

Kijonka Marek

Zakład Fizyki Medycznej, Narodowy Instytut Onkologii im. Marii Skłodowskiej-Curie – Państwowy Instytut Badawczy, Oddział w Gliwicach

autor

Psiuk-Maksymowicz Krzysztof

Zakład Medycyny Nuklearnej i Endokrynologii, Narodowy Instytut Onkologii im. Marii Skłodowskiej-Curie – Państwowy Instytut Badawczy, Oddział w Gliwicach
Centrum Biotechnologii Politechniki Śląskiej w Gliwicach

autor

Borys Damian

Zakład Medycyny Nuklearnej i Endokrynologii, Narodowy Instytut Onkologii im. Marii Skłodowskiej-Curie – Państwowy Instytut Badawczy, Oddział w Gliwicach
Wydział Automatyki, Elektroniki i Informatyki Politechniki Śląskiej w Gliwicach

Bibliografia

1. M. Kijonka, D. Borys, K. Psiuk-Maksymowicz, K. Gorczewski, P. Wojcieszek, B. Kossowski, A. Marchewka, A. Świerniak, M. Sokół, B. Bobek-Billewicz: Whole Brain and Cranial Size Adjustments in Volumetric Brain Analyses of Sex- and Age-Related Trends, Front Neurosci., 14, 2020, 278, doi:10.3389/fnins.2020.00278.
2. D. Borys, M. Kijonka, K. Psiuk-Maksymowicz, K. Gorczewski, Ł. Zarudzki, M. Sokół, A. Świerniak: Non-parametric MRI Brain Atlas for the Polish Population, Frontiers in Neuroinformatics, 15, 2021, DOI=10.3389/fninf.2021.684759.
3. F. Bloch, W. Hanson, M. Packard: Nuclear induction, Phys. Rev., 69, 1946, 127, doi: 10.1103/PhysRev.70.460.
4. E. Purcell, H. Torrey, R. Pound: Resonance absorption by nuclear magnetic moments in a solid, Phys Rev., 69, 1946, 37-38, doi:10.1103/PhysRev.69.37.
5. T. Ai, J.N. Morelli, X. Hu, D. Hao, F.L. Goerner, B. Ager, V.M. Runge: A historical overview of magnetic resonance imaging, focusing on technological innovations, Invest. Radiol., 47(12), 2012, doi: 10.1097/RLI.0b013e318272d29f.
6. A. Filler: The History, Development and Impact of Computed Imaging in Neurological Diagnosis and Neurosurgery: CT, MRI, and DTI, Nat Prec., 2009, doi: 10.1038/npre.2009.3267.4.
7. R.R. Ernst: Application of Fourier transform spectroscopy to magnetic resonance, Review of Scientific Instruments, 37, 1966, 93. doi:10.1063/1.1719961.
8. J. Ashburner, K.J. Friston: Voxel-based morphometry—the methods, NeuroImage, 11, 2000, 805-821. doi: 10.1006/nimg.2000.0582.
9. Y. Zhang, M. Brady, S. Smith: Segmentation of brain MR images through a hidden Markov random field model and the expectation-maximization algorithm, IEEE Trans. Med. Imag., 20(1), 2001, 45-57, 2001, doi:10.1109/42.906424.
10. J. Ashburner, K.J. Friston: Unified segmentation, NeuroImage, 26, 2005, 839-851, doi: 10.1016/j.neuroimage.2005.02.018.
11. B. Patenaude: Bayesian Statistical Models of Shape and Appearance for Subcortical Brain Segmentation, D.Phil. Thesis, University of Oxford, 2007.
12. B. Patenaude, S.M. Smith, D. Kennedy, M. Jenkinson: A Bayesian model of shape and appearance for subcortical brain segmentation, NeuroImage, 56(3), 2011, 907-922, doi: 10.1016/j.neuroimage.2011.02.046.
13. Q. Shen, D.A. Loewenstein, E. Potter, W. Zhao, J. Appel, M.T. Greig, A. Raj, A. Acevedo, E. Schofield, W. Barker, Y. Wu, H. Potter, R. Duara: Volumetric and visual rating of magnetic resonance imaging scans in the diagnosis of amnestic mild cognitive impairment and Alzheimer’s disease., Alzheimers Dement.,7(4), 2011, 101-108, doi: 10.1016/j.jalz.2010.07.002.
14. E.A. Abdelgawad, S.M. Mounir, M.M. Abdelhay et al.: Magnetic resonance imaging (MRI) volumetry in children with nonlesional epilepsy, does it help?, Egypt J Radiol Nucl Med., 52, 2021, 35, https://doi.org/10.1186/s43055-021-00409-0.
15. S. Bash, L.N. Tanenbaum: Quantitative Volumetry is Revolutionizing Neuroimaging, Appl Radiol., 50(3), 2021, 38-42.
16. J.E. van Timmeren, D. Cester, S. Tanadini-Lang, H. Alkadhi, B. Baessler: Radiomics in medical imaging-”how-to” guide and critical reflection, Insights Imaging., 11(1), 2020, 91, doi:10.1186/s13244-020-00887-2.
17. J.D. van Horn, A.W. Toga: Human neuroimaging as a “Big Data” science, Brain Imaging Behav., 8(2), 2014, 323-331, doi:10.1007/s11682-013-9255-y.
18. A. Gandomi, M. Haider: Beyond the hype: Big data concepts, methods, and analytics, Int. J. Inf. Manage., 35(2), 2015, 137-144,10.1016/j.ijinfomgt.2014.10.007.
19. U. Neisius, H. El-Rewaidy, S. Nakamori, J .Rodriguez, W.J. Manning, R. Nezafat: Radiomic Analysis of Myocardial Native T1 Imaging Discriminates Between Hypertensive Heart Disease and Hypertrophic Cardiomyopathy, JACC Cardiovasc Imaging.,12(10), 2019, 1946-1954, doi:10.1016/j.jcmg.2018.11.024.
20. Z. Liu, S. Wang, D. Dong, J. Wei, C. Fang, X. Zhou, K. Sun, L. Li, B. Li, M. Wang, J. Tian: The Applications of Radiomics in Precision Diagnosis and Treatment of Oncology: Opportunities and Challenges, Theranostics, 9(5), 2019, 1303-1322, doi:10.7150/thno.30309.
21. A. Mouraviev, J. Detsky, A. Sahgal, M. Ruschin, Y.K. Lee, I. Karam, Ch. Heyn, G.J. Stanisz, A.L. Martel: Use of radiomics for the prediction of local control of brain metastases after stereotactic radiosurgery, Neuro-Oncology, 22(6), 2020, 797-805, https://doi.org/10.1093/neuonc/noaa007.
22. G. Castellano, L. Bonilha, L.M. Li, F. Cendes: Texture analysis of medical images, Clin Radiol., 59, 2004, 1061-1069.
23. A. Rao, G. Rao, D.A. Gutman, A.E. Flanders, S.N. Hwang, D.L. Rubin et al.: A combinatorial radiographic phenotype may stratify patient survival and be associated with invasion and proliferation characteristics in glioblastoma, J Neurosurg, 124, 2016, 1008-1017.
24. R.M. Haralick, K. Shanmugam, I. Dinstein: Textural Features for Image Classification, IEEE Transactions on Systems, Man, and Cybernetics, 3, 1973, 610-621, doi:10.1109/TSMC.1973.4309314.
25. U. Pandey, J. Saini, M. Kumar, R. Gupta, M. Ingalhalikar: Normative Baseline for Radiomics in Brain MRI: Evaluating the Robustness, Regional Variations, and Reproducibility on FLAIR Images, J Magn Reson Imaging, 53(2), 2021, 394-407, doi:10.1002/jmri.27349.
26. R.K. Gillies, P.E. Kinahn, H. Hricak: Radiomics: Images Are More than Pictures, They Are Data, Radiology, 278, 2016. 27. A. Traverso, L. Wee, A. Dekker, R. Gillies: Repeatability and Reproducibility of Radiomic Features: A Systematic Review, Int J Radiat Oncol Biol Phys., 102(4), 2018, 1143-1158, doi:10.1016/j.ijrobp.2018.05.053.
28. P.K. Mandal, M. Tripathi, S. Sugunan: Brain oxidative stress: detection and mapping of anti-oxidant marker ‘Glutathione’ in different brain regions of healthy male/female, MCI and Alzheimer patients using non-invasive magnetic resonance spectroscopy, Biochem. Biophys. Res. Commun., 417 (1), 2012, 43-48, doi:10.1016/j.bbrc.2011.11.047.
29. S. Hadel, Ch. Wirth, M. Rapp, J. Gallinat, F. Schubert: Effects of age and sex on the concentrations of glutamate and glutamine in the human brain, J. Magn. Reson. Imaging, 38, 2013, 1480-1487. doi: 10.1002/jmri.24123.
30. M. Cichocka, J. Kozub, P. Karcz, A. Urbanik: Sex differences in brain metabolite concentrations in healthy children – proton magnetic resonance spectroscopy study (1HMRS), Pol J Radiol. 83, 2018 24-31, doi: 10.5114/pjr.2018.74536.
31. L.M. Wierenga, J.A. Sexton, P. Laake, J.N. Giedd, C.K. Tamnes: A key characteristic of sex differences in the developing brain: greater variability in brain structure of boys than girls, Cereb. Cortex, 28, 2018, 2741-2751, doi:10.1093/cercor/ bhx154.
32. A. Aghamohammadi-Sereshki, S. Hrybouski, S. Travis, Y. Huang, F. Olsen, R. Carter, R. Camicioli, N.V. Malykhin: Amygdala subnuclei and healthy cognitive aging, Hum. Brain Mapp., 40, 2019, 34-52, doi: 10.1002/hbm.24353.
33. Y. Wang, Q. Xu, J. Luo, M. Hu, C. Zuo: Effects of age and sex on subcortical volumes, Front. Aging Neurosci., 11, 2019, 259, doi:10.3389/fnagi.2019.00259.
34. C. Cleeland, A. Pipingas, A. Scholey, D. White: Neurochemical changes in the aging brain: A systematic review, Neurosci Biobehav Rev., 98, 2019, 306-319, doi: 10.1016/j.neubiorev.2019.01.003.
35. L. Jäncke, S. Mérillat, F. Liem, J. Hänggi: Brain size, sex, and the aging brain, Hum Brain Mapp., 36(1), 2015, 150-169, doi:10.1002/hbm.22619.
36. V.V. Eylers, A.A. Maudsley, P. Bronzlik, P.R. Dellani, H. Lanfermann, X.Q. Ding: Detection of Normal Aging Effects on Human Brain Metabolite Concentrations and Microstructure with Whole--Brain MR Spectroscopic Imaging and Quantitative MR Imaging, AJNR Am J Neuroradiol., 37(3), 2016, 447-454, doi: 10.3174/ajnr.A4557.
37. S. Halkur Shankar, S. Ballal, R. Shubha: Study of normal volumetric variation in the putamen with age and sex using magnetic resonance imaging, Clin Anat., 30(4), 2017, 461-466, doi: 10.1002/ca.22869.
38. F. Farokhian, C. Yang, I. Beheshti, H. Matsuda, S. Wu: Age-Related Gray and White Matter Changes in Normal Adult Brains, Aging Dis., 8(6), 2017, 899-909, doi: 10.14336/AD.2017.0502.
39. J.N. Giedd, J. Blumenthal, N.O. Jeffries, F.X. Castellanos, H. Liu, A. Zijdenbos et al..: Brain development during childhood and adolescence: a longitudinal MRI study, Nat. Neurosci., 2, 1999, 861-863, doi: 10.1038/13158.
40. P.C.M.P. Koolschijn, E.A. Crone: Sex differences and structural brain maturation from childhood to early adulthood, Developmental cognitive neuroscience, 5, 2013, 106-118, doi:10.1016/j.dcn.2013.02.003.
41. X. Tang, C. Wang, L. Xia, W. Zhu, L. Zhao, W. Zhu: Volumetric MRI and 1H MRS study of hippocampus in unilateral MCAO patients: relationship between hippocampal secondary damage and cognitive disorder following stroke, Eur. J. Radiol., 81(10), 2012, 2788-2793,doi: 10.1016/j.ejrad.2011.08.010.
42. E. Courchesne, H.J. Chisum, J. Townsend, A. Cowles, J. Covington, B. Egaas et al.: Normal brain development and aging: quantitative analysis at in vivo MR imaging in healthy volunteers, Radiology, 216, 2000, 672-682, doi: 10.1148/radiology. 216.3.r00au37672.
43. H. Lemaître, F. Crivello, B. Grassiot, A. Alpérovitch, C. Tzourio, B. Mazoyer: Age- and sex-related effects on the neuroanatomy of healthy elderly, NeuroImage, 26, 2005, 900-911, doi: 10.1016/j.neuroimage.2005. 02.042.
44. L.M. O‘Brien, D.A. Ziegler, C.K. Deutsch, D.N. Kennedy, J.M. Goldstein, L.J. Seidman: Adjustment for whole brain and cranial size in volumetric brain studies: a review of common adjustment factors and statistical methods, Harvard Rev. Psychiatry, 14, 2006, 141-151, doi:10.1080/10673220600784119
45. C.D. Smith, H. Chebrolu, D.R. Wekstein, F.A. Schmitt, G.A. Jicha, G. Cooper: Brain structural alterations before mild cognitive impairment, Neurology, 68, 2007, 1268-1273, doi:10.1212/01.wnl.0000259542.54830.34.
46. J. Barnes, G.R. Ridgway, J. Bartlett, S.M. Henley, M. Lehmann, N. Hobbs, M.J. Clarkson, D.G. MacManus, S. Ourselin, N.C. Fox: Head size, age and gender adjustment in MRI studies: a necessary nuisance?, NeuroImage, 53, 2010, 1244-1255, doi: 10.1016/j.neuroimage. 2010.06.025.
47. N. Hirabayashi, J. Hata, T. Ohara, N. Mukai, M. Nagata, M. Shibata, S. Gotoh, Y. Furuta, F. Yamashita, K. Yoshihara, T. Kitazono, N. Sudo, Y. Kiyohara, T. Ninomiya: Association between diabetes and hippocampal atrophy in elderly japanese: the hisayama study, Diab. Care, 39, 2016, 1543-1549, doi: 10.2337/dc15-2800.
48. M. Battaglini, G. Gentile, L. Luchetti, A. Giorgio, H. Vrenken, F. Barkhof et al.: Lifespan normative data on rates of brain volume changes, Neurobiol. Aging, 81, 2019, 30-37, doi: 10.1016/j.neurobiolaging. 2019.05.010.
49. R.C. Gur, B.I. Turetsky, M. Matsui, M. Yan, W. Bilker, P. Hughett et al.: Sex differences in brain gray and white matter in healthy young adults: correlations with cognitive performance, J. Neurosci., 19, 1999, 4065-4072, doi: 10.1523/JNEUROSCI.19-10-04065.1999.
50. J.M. Goldstein, L.J. Seidman, N.J. Horton, N. Makris, D.N. Kennedy, V.S. Caviness et al.: Normal sexual dimorphism of the adult human brain assessed by in vivo magnetic resonance imaging, Cereb. Cortex, 11, 2001, 490-497, doi:10.1093/cercor/11.6.490.
51. G. Yang, S. Zhou, J. Bozek, H.M. Dong, M. Han, X.N. Zuo: Sample sizes and population differences in brain template construction, NeuroImage, 206, 2020, 116318, doi:10.1016/j.neuroimage.2019.116318.
52. B. Holla, P.A. Taylor, D.R. Glen, J.A. Lee, N. Vaidya, U.M. Mehta, G. Venkatasubramanian, P.K. Pal, J. Saini, N.P. Rao, C.K. Ahuja, R. Kuriyan, M. Krishna, D. Basu, K. Kalyanram, A. Chakrabarti, D.P. Orfanos, G.J. Barker, R.W. Cox, G. Schumann, R.D. Bharath, V. Benegal: A series of five population-specific indian brain templates and atlases spanning ages 6-60 years, Human brain mapping, 41, 2020, 5164–5175, doi:10.1002/hbm.25182.
53. L.M. O’Brien, D.A. Ziegler, C.K. Deutsch, J.A. Frazier, M.R. Herbert, J.J. Locascio: Statistical adjustments for brain size in volumetric neuroimaging studies: some practical implications in methods, Psychiatry Res., 193, 2011, 113-122, doi:10.1016/j.pscychresns.2011.01.007.
54. J.P. John, A. Lukose, B.S. Bagepally, H.N. Halahalli, N.S. Moily, A.A. Vijayakumari: A systematic examination of brain volumetric abnormalities in recent-onset schizophrenia using voxel-based, surface-based and region-of-interest-based morphometric analyses, J. Negative Res. Biomed., 14, 2015, 11, doi:10.1186/s12952-015-0030-z.
55. D.A. Dickie, S.D. Shenkin, D. Anblagan, J. Lee, M. Blesa Cabez, D. Rodriguez, J.P. Boardman, A. Waldman, D.E. Job, J.M. Wardlaw: Whole brain magnetic resonance image atlases: A systematic review of existing atlases and caveats for use in population imaging, Frontiers in neuroinformatics, 11, 2017, 1, doi: 10.3389/fninf.2017.00001.
56. R.L. Buckner, D. Head, J. Parker, A.F. Fotenos, D. Marcus, J.C. Morris, A.Z. Snyder: A unified approach for morphometric and functional data analysis in young, old, and demented adults using automated atlas-based head size normalization: reliability and validation against manual measurement of total intracranial volume, Neuroimage, 23, 2 004, 724-738, doi: 10.1016/j.neuroimage. 2004.06.018.
57. D.A. Dickie, D.E. Job, D.R. Gonzalez, S.D. Shenkin, J.M. Wardlaw: Use of brain MRI atlases to determine boundaries of age-related pathology: the importance of statistical method, PloS one, 10(5), 2015, 0127939, doi: 10.1371/journal.pone.0127939.
58. K.A. Clark, R.P. Woods, D.A. Rottenberg, A.W. Toga, J.C. Mazziotta: Impact of acquisition protocols and processing streams on tissue segmentation of T1 weighted MR images, NeuroImage, 29, 2006, 185-202, doi: 10.1016/j.neuroimage.2005.07.035.
59. A. Hammers, R. Allom, M.J. Koepp, S.L. Free, R. Myers, L. Lemieux, T.N. Mitchell, D.J. Brooks, J.S. Duncan: Three-dimensional maximum probability atlas of the human brain, with particular reference to the temporal lobe, Hum. Brain Mapp., 19, 2003, 224-247, doi: 10.1002/hbm.10123.
60. J.M. Wardlaw, M.E. Bastin, M.C. Valdés Hernández, S. Mu-oz Maniega, N.A. Royle, Z. Morris: Brain aging, cognition in youth and old age and vascular disease in the Lothian Birth Cohort 1936: rationale, design and methodology of the imaging protocol, Int. J. Stroke, 6, 2011, 547-559, doi:10.1111/j.1747-4949.2011.00683.x.
61. S.N. Yaakub, R.A. Heckemann, S.S. Keller: On brain atlas choice and automatic segmentation methods: a comparison of MAPER & FreeSurfer using three atlas databases, Sci Rep, 10, 2020, 2837, doi:10.1038/s41598-020-57951-6.
62. A.C. Evans, A.L. Janke, D.L. Collins, S. Baillet: Brain templates and atlases, Neuroimage, 62, 2012, 911-922, doi: 10.1016/j.neuroimage.2012.01.024.
63. G. Ziegler, G. Ridgway, R. Dahnke, C. Gaser: Individualized Gaussian process-based prediction and detection of local and global grey matter abnormalities in elderly subjects, Neuroimage, 97(100), 2014, 333-348, doi:10.1016/j.neuroimage.2014.04.018.
64. Ł. Grochowalski, J. Jarczak, M. Urbanowicz, M. Słomka, M. Szargut, P. Borówka, M. Sobalska-Kwapis, B. Marciniak, A. Ossowski, W. Lorkiewicz, D. Strapagiel: Chromosome Genetic Analysis of Modern Polish Population, Frontiers in Genetics, 11, 2020, 1118, doi:10.3389/fgene.2020.567309.
65. T. Grzybowski, B.A. Malyarchuk, M.V. Derenko, M.A. Perkova, J. Bednarek, M. Woźniak: Complex interactions of the Eastern and Western Slavic populations with other European groups as revealed by mitochondrial DNA analysis, Forensic Science International: Genetics, 1(2), 2007, 141-147, doi:10.1016/j.fsigen.2007.01.010.
66. A. Gough, A.M. Stern, J. Maier et al.: Biologically Relevant Heterogeneity: Metrics and Practical Insights, SLAS Discov., 22(3), 2017, 213-237, doi:10.1177/2472555216682725.
67. L.T. Westlye, K.B. Walhovd, A.M. Dale, A. Bjornerud, P. Due-Tonnessen, A. Engvig, H. Grydeland, C.K. Tamnes, Y. Ostby, A.M. Fjell: Life-Span Changes of the Human Brain White Matter: Diffusion Tensor Imaging (DTI) and Volumetry, Cerebral Cortex, 20, 2010a, 2055-2068, doi:10.1093/cercor/bhp280.
68. L.T. Westlye, K.B. Walhovd, A.M. Dale, A. Bjornerud, P. Due-Tonnessen, A. Engvig, H. Grydeland, C.K. Tamnes, Y. Ostby, A.M. Fjell: Differentiating maturational and aging-related changes of the cerebral cortex by use of thickness and signal intensity, Neuroimage, 52, 2010b, 172-185, doi:10.1016/j.neuroimage. 2010.03.056.

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-43e5a8c6-2801-4f84-9b60-0461897f880a