Brain Anatomy - Cortex 기본 콘텐츠로 건너뛰기

Brain Anatomy - Cortex

 Brain을 high level로 구분하면 Cerebrum, Cerebellum, Brain stem 으로 구성된다는 것을 지난 번 글에서 설명했었다.


이번 글에서는 Cortex에 대해서 살펴보는 것으로 정했다.


What is Cortex? 

"The cortex is the surface of the cerebrum."

우리 말로 피질이라 일컬어지는 cortex는 주름진 (folded) 모양을 가지며, hills 와 valleys 구간들이 있다. 


(모든 그림의 출처는 Mayfieldclinic 이다.)


Cortex는 specific layers로 arrange 되어 있는 16 billion neurons가 있다.

이 nerve cell bodies는 gray-brown 컬러로 말 그대로 gray mater이고, brain areas를 서로 연결해주는 역할을 하는 long nerve fibers(=axons)는 white matter로 불린다.


gyrus는 튀어나온 부분, sulcus는 골짜기처럼 들어가 있는 부분이다.


조금 더 깊게 들어가보자.

White matter tracts (pathways)는 cortex의 각 영역들을 연결한다. 그리하여 각 영역에서의 메시지들이 다른 부분으로 전달될 수 있고, brain의 깊은 부분까지 전달될 수 있다.

아래 그림을 살펴보자. 



위 그림은 coronal view이다. 위 그림에 명시 된 각 부위들에 대해 살펴보자.

1. Hypothalamus 는 third ventricle의 floor에 위치해 있고, autonomic system을 컨트롤하는 마스터이다. 예를 들면, 배고픔, 목마름, 잠, 체온, 혈압, 감정, 호르몬 등이 있다.

2. Thalamus 는 뇌의 중앙(?)에 위치한 것처럼 보이는데, '괜히 중앙에 위치한게 아니네' 라는 (나만 이렇게 생각할수도)  매우 매우 중요한 부위이다. Thalamus는 우리말로 시상인데, 이 부분은 cortex로 가는 모든 정보가 오고 가는 station과 같은 역할을 한다. alertness 라던지, 기억력, 주의력, 감각 등의 역할을 한다.

3. Basal Ganglia 는 caudate, putamen, globus pallidus를 포함하는데, 이들은 cerebellum과 함께 working하여 손가락을 움직이는 것과 같은 정교한 움직임을 조정하는 역할을 한다.


댓글

이 블로그의 인기 게시물

Radiomics: Feature selection 3

  Demircioğlu, Aydin PhD  Benchmarking Feature Selection Methods in Radiomics, Investigative Radiology: January 18, 2022 - Volume - Issue - doi: 10.1097/RLI.0000000000000855 High dimensionality of the datasets and small sample sizes are critical problems in radiomics. Therefore, removing redundant features and irrelevant features is needed. Overall, per dataset,  30 different feature selection methods + 10 classifiers + 70 hyperparameter settings After each feature selection method, 1, 2, ..., 64 features were selected. Altogether, 14,700=30✕70 ✕7 models were fitted, each with a 10-fold cross-validation . More complex methods are more unstable than simpler feature selection methods. LASSO performed best when analysing the predictive performance , though it showed only average feature stability . Longer training times and higher computational complexity of the feature selection method do not mean for high predictive performance necessarily. Obtaining a more stable mode...

통계 기초 : 확률 분포 - (1) 이항분포

Binomial distribution 이항분포에 앞서 베르누이분포가 있다. 모든 가능한 결과가 두 가지인 실험(표본공간이 {불량품, 양호품},{찬성, 반대} 등)을 베르누이 시행(Bernoulli trial)이라 한다. 성공확률을 p 라고 할 때, '성공'이면 1, '실패'면 0으로 대응시키는 확률변수를 베르누이 확률변수라 한다. 베르누이 확률변수 X의 확률분포는 다음과 같이 정의할 수 있다. $$ P(X=x) = p^{x}(1-p)^{1-x}, x=0,1 $$ 따라서, X=0인 경우에는 P(X=0) = (1-p)이고, X=1인 경우에는 P(X=1) = p가 된다. 베르누이분포의 평균은 E(X)=p, Var(X)=p(1-p) 이다. 이처럼 동일한 성공확률을 가진 베르누이 시행 을 독립적 으로 반복 하여 시행할 때, 'X=성공횟수'의 분포를 이항분포(binomial distribution)이라 한다. 성공확률이 p인 베르누이 시행을 n번 독립적으로 반복 시행할 때, '성공횟수(=X)'가 x일 확률은 다음과 같이 표시할 수 있다. $$ P(X=x) = (\frac{n}{x})p^{x}(1-p)^{n-x}, x=0,1,2, ..., n $$ 이항분포의 평균은 E(X)=np, 분산은 Var(X)=np(1-p) 이다. 증명은  https://proofwiki.org/wiki/Variance_of_Binomial_Distribution  참고하면 된다. 여기에서 n , p 를 이항분포의 모수(parameter)라 한다. 만약 n=1이라면, 이항분포 B ( n , p )는 '1(성공)'의 확률이 p 인 베르누이분포이다. 참고로 모수는 모집단의 특성값으로, 평균, 분산, 성공확률 등을 예시로 들 수 있다.

통계 : Dummy Variable Trap

 Regression model을 만들다 보면, 독립변수로 명목형 변수를 사용할 때가 많다. 지역이나 성별, biomaker유/무 등이 대표적으로 많이 사용되는 명목형 변수로, 특히 medical 저널에서는 성별을 covariate으로 취급하여 성별에 따른 종속변수의 차이를 보고자 할 때가 많다. 명목형 변수들은 Dummy Variable로 바꾸어서 regression model을 만드는데, one hot 인코딩 방식으로 더미 변수들을 만든다. 예를 들면,  ❕ male=0, female=1 ❕ Biomarker유=1, Biomarker무=0 이런식으로 만든다. 이와 같은 binary 데이터들은 더미 변수로 만드는 것도 쉽고 큰 문제가 되지 않는다. one-hot encoding의 이유는, 0과 1 대신 빨간색, 녹색, 파란색을 1,2,3 으로 코딩해버리면, 적합한 모델은 숫자가 더 큰 3을 빨간색보다 더 중요한 인자로 생각하게 되기 때문이다. 학력처럼 순서형이면 각 숫자에 의미가 있지만 여러 컬러처럼 단순 명목형일 때에는 one-hot 인코딩을 해야한다.  (단, 컬러가 연함 - 진함과 같이 순서형이라면 굳이 one-hot 인코딩을 안해도 된다.) one-hot encoding 의 예시는 아래 세 가지 카테고리로 보면 더 명확하게 이해가 된다. (image출처: https://towardsdatascience.com/encoding-categorical-variables-one-hot-vs-dummy-encoding-6d5b9c46e2db) 그럼 binary 말고 여러 카테고리가 있는 변수의 경우는 어떤 식으로 더미 변수를 만들까? Regression 모델을 만들 때에는 k개의 카테고리가 있다면, k-1개의 더미변수를 생성하게 된다. 위 그림에서 Blue일 때, d1, d2, d3 모두 0으로 코딩해도 Red, Green과 차이가 있으므로, d1과 d2만 만들어도 무방하다는 의미이다. 즉, d1과 d2가 0일 때, Blue가...