Publication

High Fidelity Visualization of Large Scale Digitally Reconstructed Brain Circuitry with Signed Distance Functions

Felix Schürmann, Marwan Muhammad Ahmed Abdellah, Sébastien Nicolas Speierer, Samuel Lieven D. Lapere, Alessandro Enrico Foni, Jonas Kristofer Karlsson
2019
Conference Papers

Résumé

We explore a first proof-of-concept application for visualizing large scale digitally reconstructed brain circuitry using signed distance functions. The significance of our method is demonstrated in comparison with using implicit geometry that is limited to provide the natural look of neurons or explicit geometry that requires huge amounts of memory and has limited scalability with larger circuits.

Source officielle

https://infoscience.epfl.ch/entities/publication/87df5b1a-3408-4812-92b8-43533c22de5e

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

High Fidelity Visualization of Large Scale Digitally Reconstructed Brain Circuitry with Signed Distance Functions

Chattez avec Graph Search

SIGGRAPH for Health: Engaging Successfully in the Next Disruptions

Geometric Learning: Leveraging differential geometry for learning and control

A method and system for optimizing design, implantation, and stimulation protocols of electrodes stimulating the nervous system