1,720,959 research outputs found
Going Beyond Counting First Authors in Author Co-citation Analysis
Full text linkThe present study examines one of the fundamental aspects of author co-citation analysis (ACA) - the way co-citation
counts are defined. Co-citation counting provides the data on which all subsequent statistical analyses and mappings
are based, and we compare ACA results based on two different types of co-citation counting - the traditional type that
only counts the first one among a cited work's authors on the one hand and a non-traditional type that takes into
account the first 5 authors of a cited work on the other hand. Results indicate that the picture produced through this non-traditional author co-citation counting contains more coherent author groups and is therefore considerably clearer. However, this picture represents fewer specialties in the research field being studied than that produced through the traditional first-author co-citation counting when the same number of top-ranked authors is selected and analyzed. Reasons for these effects are discussed
Variations on the Author
Full text link“Variations on the Author” discusses two of Eduardo Coutinho’s recent films (Um Dia na Vida, from 2010, and Últimas Conversas, posthumously released in 2015) and their contribution to the general question of documentary authorship. The director’s filmography is characterized by a consistent yet self-effacing form of authorial self-inscription: Coutinho often features as an interviewer that rather than express opinions propels discourses; an interviewer that is good at listening. This mode of self-inscription characterizes him as an author who is not expressive but who is nonetheless markedly present on the screen. In Um Dia na Vida, however, Coutinho is completely absent form the image, while Últimas Conversas, on the contrary, includes a confessional prologue that moves the director from the margins to the center of his films. This article examines the ways in which these works stand out in the filmography of a director who offers new insights into the notion of cinematic authorship
Appropriate Similarity Measures for Author Cocitation Analysis
Full text linkWe provide a number of new insights into the methodological discussion about author cocitation analysis. We first argue that the use of the Pearson correlation for measuring the similarity between authors’ cocitation profiles is not very satisfactory. We then discuss what kind of similarity measures may be used as an alternative to the Pearson correlation. We consider three similarity measures in particular. One is the well-known cosine. The other two similarity measures have not been used before in the bibliometric literature. Finally, we show by means of an example that our findings have a high practical relevance.information science;Pearson correlation;cosine;similarity measure;author cocitation analysis
Apprentissage machine appliqué à l’échographie ultrarapide pour la caractérisation vasculaire et fonctionnelle du cerveau
No full textUltrafast ultrasound is a recent imaging modality derived from conventional medical ultrasound. It relies on the coherent compounding of backscattered echoes resulting from successive ultrasonic plane wave emissions, which enables high spatio-temporal resolution. In particular, ultrafast ultrasound is used for ultrafast Doppler imaging (uDoppler), which enables the visualization and characterization of blood flow with an exceptional sensitivity. With a technique known as functional ultrasound (fUS), uDoppler is capable of indirectly measuring neuronal activity in the brain, making it a powerful tool for neurosciences. Initially implemented in 2D, fUS is now being developed for 3D imaging of the whole brain, resulting in a considerable amount of data to be analyzed. Yet, fUS research remains limited by positioning uncertainty and variable image quality, making it difficult to analyze and compare the large volume of data obtained from different recording sessions. Machine learning algorithms, in particular convolutional neural networks (CNNs), which have demonstrated the capacity to perform complex visual tasks, could offer a solution to assist and automate the analysis of fUS data. This PhD thesis focuses on the development and validation of robust tools for automated fUS data processing, based on machine learning techniques. First, we improved image quality for real-time visualization in 2D uDoppler transcranial images of the brain, for which the skull attenuates the ultrasonic waves, increasing noise and lowering the sensitivity to small blood vessels. For this, we proposed and evaluated a turn-key solution based on a CNN specifically designed to improve blood vessel perception in real-time (0.05 s). We showed that this automatic solution outperforms standard image enhancement methods both by increasing contrast and preserving high resolution for small vessels. Then, we adapted an existing operator dependent registration pipeline for vascular network alignment in 3D, with an automatic key point localization strategy based on semantic segmentation. This enables accurate misalignment correction within 0.8 s, removing the operator dependency for registration, as well as improving the robustness to pathological or largely misaligned data. Hence, we suggested a novel registration pipeline for software designed for fUS studies, so as to allow for rapid and accurate comparison of temporal time points. Finally, we attempted to apply the machine learning approach to describe cerebral states of the behaving animal in a study of volition in non-human primates. Our trained CNN was successfully able to classify single 2D fUS frames into two different cerebral states. Additionally, the information learned by the network was used to propose a characterization of the cerebral blood volume change patterns spatially and sequentially during voluntary initiation of free movement. This approach, which is yet to be fully validated, may offer an automatic analysis framework of the cerebral mechanisms involved in intentionality, studied in the whole target field of view, beyond manual ROI-based analysis.L’échographie ultrarapide est une nouvelle méthode d’imagerie utilisant des ondes planes à très haute cadence, permettant l’observation de tissus biologiques avec une excellente résolution spatiale. Appliquée à l’imagerie Doppler, elle permet l’observation et la caractérisation des flux sanguins avec une très grande sensibilité. Elle est également utilisée pour mesurer indirectement l’activité cérébrale. Initialement appliquée à l'imagerie cérébrale 2D, l’imagerie fonctionnelle par ultrasons (fUS) se développe maintenant en 3D, ce qui engendre une quantité phénoménale de données à analyser. Cependant, l’imagerie fUS reste limitée par la qualité variable des images produites, conduisant à des difficultés de positionnement, ce qui complexifie l’analyse et la comparaison des données. Il est donc crucial de développer des outils puissants d’analyse automatique. L’apprentissage machine pourrait apporter une solution à ce problème. En particulier, les réseaux de neurones artificiels convolutifs, capables de réaliser des tâches visuelles complexes à une vitesse surhumaine, pourraient nous permettre d'améliorer et d’automatiser l’analyse des données fUS. Ainsi, durant cette thèse nous proposons de développer puis de valider des algorithmes d’apprentissage machine dans l’objectif de faciliter l'examen des données fUS. Dans un premier temps nous nous sommes intéressés à l'amélioration d’images vasculaires de mauvaise qualité. Nous avons conçu et entraîné un réseau de neurones convolutifs dans le but d'accentuer notre perception des petits vaisseaux sanguins, initialement peu visibles en imagerie transcrânienne. Notre approche, qui fonctionne en temps réel (0.05 s), surpasse les techniques classiques d’amélioration d’image, en augmentant le contraste tout en préservant les détails les plus fins du réseau vasculaire. Ensuite, nous avons étudié l’efficacité d’un algorithme de détection automatique de points de repère pour le recalage vasculaire de volumes cérébraux. Ainsi, nous avons pu aligner plusieurs volumes vasculaires, même pathologiques ou fortement éloignés, en moins d’une seconde (0.8 s), avec une très grande précision, sans intervention manuelle. Suite à cette étude, nous proposons une nouvelle modalité de recalage automatique en 3D pour faciliter et accélérer la comparaison de différents enregistrements fUS espacés dans le temps. Enfin, nous avons entrepris d’appliquer les méthodes d’apprentissage automatique à l’identification d’états cérébraux chez le primate non humain, durant une tâche oculomotrice cognitive. Nous avons montré qu’un simple réseau de neurones convolutifs permet la classification de deux états de consciences : un état actif et un état passif. De plus, nous nous sommes intéressés aux mécanismes de décision mis en jeu par notre réseau de neurones, pour essayer de comprendre quelles structures cérébrales sont liées à la reprise volontaire d’une tâche après une pause. Cette approche, qui reste encore très expérimentale, pourrait nous aider à mieux concevoir le fonctionnement des procédés cérébraux impliqués dans l’expression de la volonté
Apprentissage machine appliqué à l’échographie ultrarapide pour la caractérisation vasculaire et fonctionnelle du cerveau
No full textUltrafast ultrasound is a recent imaging modality derived from conventional medical ultrasound. It relies on the coherent compounding of backscattered echoes resulting from successive ultrasonic plane wave emissions, which enables high spatio-temporal resolution. In particular, ultrafast ultrasound is used for ultrafast Doppler imaging (uDoppler), which enables the visualization and characterization of blood flow with an exceptional sensitivity. With a technique known as functional ultrasound (fUS), uDoppler is capable of indirectly measuring neuronal activity in the brain, making it a powerful tool for neurosciences. Initially implemented in 2D, fUS is now being developed for 3D imaging of the whole brain, resulting in a considerable amount of data to be analyzed. Yet, fUS research remains limited by positioning uncertainty and variable image quality, making it difficult to analyze and compare the large volume of data obtained from different recording sessions. Machine learning algorithms, in particular convolutional neural networks (CNNs), which have demonstrated the capacity to perform complex visual tasks, could offer a solution to assist and automate the analysis of fUS data. This PhD thesis focuses on the development and validation of robust tools for automated fUS data processing, based on machine learning techniques. First, we improved image quality for real-time visualization in 2D uDoppler transcranial images of the brain, for which the skull attenuates the ultrasonic waves, increasing noise and lowering the sensitivity to small blood vessels. For this, we proposed and evaluated a turn-key solution based on a CNN specifically designed to improve blood vessel perception in real-time (0.05 s). We showed that this automatic solution outperforms standard image enhancement methods both by increasing contrast and preserving high resolution for small vessels. Then, we adapted an existing operator dependent registration pipeline for vascular network alignment in 3D, with an automatic key point localization strategy based on semantic segmentation. This enables accurate misalignment correction within 0.8 s, removing the operator dependency for registration, as well as improving the robustness to pathological or largely misaligned data. Hence, we suggested a novel registration pipeline for software designed for fUS studies, so as to allow for rapid and accurate comparison of temporal time points. Finally, we attempted to apply the machine learning approach to describe cerebral states of the behaving animal in a study of volition in non-human primates. Our trained CNN was successfully able to classify single 2D fUS frames into two different cerebral states. Additionally, the information learned by the network was used to propose a characterization of the cerebral blood volume change patterns spatially and sequentially during voluntary initiation of free movement. This approach, which is yet to be fully validated, may offer an automatic analysis framework of the cerebral mechanisms involved in intentionality, studied in the whole target field of view, beyond manual ROI-based analysis.L’échographie ultrarapide est une nouvelle méthode d’imagerie utilisant des ondes planes à très haute cadence, permettant l’observation de tissus biologiques avec une excellente résolution spatiale. Appliquée à l’imagerie Doppler, elle permet l’observation et la caractérisation des flux sanguins avec une très grande sensibilité. Elle est également utilisée pour mesurer indirectement l’activité cérébrale. Initialement appliquée à l'imagerie cérébrale 2D, l’imagerie fonctionnelle par ultrasons (fUS) se développe maintenant en 3D, ce qui engendre une quantité phénoménale de données à analyser. Cependant, l’imagerie fUS reste limitée par la qualité variable des images produites, conduisant à des difficultés de positionnement, ce qui complexifie l’analyse et la comparaison des données. Il est donc crucial de développer des outils puissants d’analyse automatique. L’apprentissage machine pourrait apporter une solution à ce problème. En particulier, les réseaux de neurones artificiels convolutifs, capables de réaliser des tâches visuelles complexes à une vitesse surhumaine, pourraient nous permettre d'améliorer et d’automatiser l’analyse des données fUS. Ainsi, durant cette thèse nous proposons de développer puis de valider des algorithmes d’apprentissage machine dans l’objectif de faciliter l'examen des données fUS. Dans un premier temps nous nous sommes intéressés à l'amélioration d’images vasculaires de mauvaise qualité. Nous avons conçu et entraîné un réseau de neurones convolutifs dans le but d'accentuer notre perception des petits vaisseaux sanguins, initialement peu visibles en imagerie transcrânienne. Notre approche, qui fonctionne en temps réel (0.05 s), surpasse les techniques classiques d’amélioration d’image, en augmentant le contraste tout en préservant les détails les plus fins du réseau vasculaire. Ensuite, nous avons étudié l’efficacité d’un algorithme de détection automatique de points de repère pour le recalage vasculaire de volumes cérébraux. Ainsi, nous avons pu aligner plusieurs volumes vasculaires, même pathologiques ou fortement éloignés, en moins d’une seconde (0.8 s), avec une très grande précision, sans intervention manuelle. Suite à cette étude, nous proposons une nouvelle modalité de recalage automatique en 3D pour faciliter et accélérer la comparaison de différents enregistrements fUS espacés dans le temps. Enfin, nous avons entrepris d’appliquer les méthodes d’apprentissage automatique à l’identification d’états cérébraux chez le primate non humain, durant une tâche oculomotrice cognitive. Nous avons montré qu’un simple réseau de neurones convolutifs permet la classification de deux états de consciences : un état actif et un état passif. De plus, nous nous sommes intéressés aux mécanismes de décision mis en jeu par notre réseau de neurones, pour essayer de comprendre quelles structures cérébrales sont liées à la reprise volontaire d’une tâche après une pause. Cette approche, qui reste encore très expérimentale, pourrait nous aider à mieux concevoir le fonctionnement des procédés cérébraux impliqués dans l’expression de la volonté
Apprentissage machine appliqué à l’échographie ultrarapide pour la caractérisation vasculaire et fonctionnelle du cerveau
No full textUltrafast ultrasound is a recent imaging modality derived from conventional medical ultrasound. It relies on the coherent compounding of backscattered echoes resulting from successive ultrasonic plane wave emissions, which enables high spatio-temporal resolution. In particular, ultrafast ultrasound is used for ultrafast Doppler imaging (uDoppler), which enables the visualization and characterization of blood flow with an exceptional sensitivity. With a technique known as functional ultrasound (fUS), uDoppler is capable of indirectly measuring neuronal activity in the brain, making it a powerful tool for neurosciences. Initially implemented in 2D, fUS is now being developed for 3D imaging of the whole brain, resulting in a considerable amount of data to be analyzed. Yet, fUS research remains limited by positioning uncertainty and variable image quality, making it difficult to analyze and compare the large volume of data obtained from different recording sessions. Machine learning algorithms, in particular convolutional neural networks (CNNs), which have demonstrated the capacity to perform complex visual tasks, could offer a solution to assist and automate the analysis of fUS data. This PhD thesis focuses on the development and validation of robust tools for automated fUS data processing, based on machine learning techniques. First, we improved image quality for real-time visualization in 2D uDoppler transcranial images of the brain, for which the skull attenuates the ultrasonic waves, increasing noise and lowering the sensitivity to small blood vessels. For this, we proposed and evaluated a turn-key solution based on a CNN specifically designed to improve blood vessel perception in real-time (0.05 s). We showed that this automatic solution outperforms standard image enhancement methods both by increasing contrast and preserving high resolution for small vessels. Then, we adapted an existing operator dependent registration pipeline for vascular network alignment in 3D, with an automatic key point localization strategy based on semantic segmentation. This enables accurate misalignment correction within 0.8 s, removing the operator dependency for registration, as well as improving the robustness to pathological or largely misaligned data. Hence, we suggested a novel registration pipeline for software designed for fUS studies, so as to allow for rapid and accurate comparison of temporal time points. Finally, we attempted to apply the machine learning approach to describe cerebral states of the behaving animal in a study of volition in non-human primates. Our trained CNN was successfully able to classify single 2D fUS frames into two different cerebral states. Additionally, the information learned by the network was used to propose a characterization of the cerebral blood volume change patterns spatially and sequentially during voluntary initiation of free movement. This approach, which is yet to be fully validated, may offer an automatic analysis framework of the cerebral mechanisms involved in intentionality, studied in the whole target field of view, beyond manual ROI-based analysis.L’échographie ultrarapide est une nouvelle méthode d’imagerie utilisant des ondes planes à très haute cadence, permettant l’observation de tissus biologiques avec une excellente résolution spatiale. Appliquée à l’imagerie Doppler, elle permet l’observation et la caractérisation des flux sanguins avec une très grande sensibilité. Elle est également utilisée pour mesurer indirectement l’activité cérébrale. Initialement appliquée à l'imagerie cérébrale 2D, l’imagerie fonctionnelle par ultrasons (fUS) se développe maintenant en 3D, ce qui engendre une quantité phénoménale de données à analyser. Cependant, l’imagerie fUS reste limitée par la qualité variable des images produites, conduisant à des difficultés de positionnement, ce qui complexifie l’analyse et la comparaison des données. Il est donc crucial de développer des outils puissants d’analyse automatique. L’apprentissage machine pourrait apporter une solution à ce problème. En particulier, les réseaux de neurones artificiels convolutifs, capables de réaliser des tâches visuelles complexes à une vitesse surhumaine, pourraient nous permettre d'améliorer et d’automatiser l’analyse des données fUS. Ainsi, durant cette thèse nous proposons de développer puis de valider des algorithmes d’apprentissage machine dans l’objectif de faciliter l'examen des données fUS. Dans un premier temps nous nous sommes intéressés à l'amélioration d’images vasculaires de mauvaise qualité. Nous avons conçu et entraîné un réseau de neurones convolutifs dans le but d'accentuer notre perception des petits vaisseaux sanguins, initialement peu visibles en imagerie transcrânienne. Notre approche, qui fonctionne en temps réel (0.05 s), surpasse les techniques classiques d’amélioration d’image, en augmentant le contraste tout en préservant les détails les plus fins du réseau vasculaire. Ensuite, nous avons étudié l’efficacité d’un algorithme de détection automatique de points de repère pour le recalage vasculaire de volumes cérébraux. Ainsi, nous avons pu aligner plusieurs volumes vasculaires, même pathologiques ou fortement éloignés, en moins d’une seconde (0.8 s), avec une très grande précision, sans intervention manuelle. Suite à cette étude, nous proposons une nouvelle modalité de recalage automatique en 3D pour faciliter et accélérer la comparaison de différents enregistrements fUS espacés dans le temps. Enfin, nous avons entrepris d’appliquer les méthodes d’apprentissage automatique à l’identification d’états cérébraux chez le primate non humain, durant une tâche oculomotrice cognitive. Nous avons montré qu’un simple réseau de neurones convolutifs permet la classification de deux états de consciences : un état actif et un état passif. De plus, nous nous sommes intéressés aux mécanismes de décision mis en jeu par notre réseau de neurones, pour essayer de comprendre quelles structures cérébrales sont liées à la reprise volontaire d’une tâche après une pause. Cette approche, qui reste encore très expérimentale, pourrait nous aider à mieux concevoir le fonctionnement des procédés cérébraux impliqués dans l’expression de la volonté
Apprentissage machine appliqué à l’échographie ultrarapide pour la caractérisation vasculaire et fonctionnelle du cerveau
No full textL’échographie ultrarapide est une nouvelle méthode d’imagerie utilisant des ondes planes à très haute cadence, permettant l’observation de tissus biologiques avec une excellente résolution spatiale. Appliquée à l’imagerie Doppler, elle permet l’observation et la caractérisation des flux sanguins avec une très grande sensibilité. Elle est également utilisée pour mesurer indirectement l’activité cérébrale. Initialement appliquée à l'imagerie cérébrale 2D, l’imagerie fonctionnelle par ultrasons (fUS) se développe maintenant en 3D, ce qui engendre une quantité phénoménale de données à analyser. Cependant, l’imagerie fUS reste limitée par la qualité variable des images produites, conduisant à des difficultés de positionnement, ce qui complexifie l’analyse et la comparaison des données. Il est donc crucial de développer des outils puissants d’analyse automatique. L’apprentissage machine pourrait apporter une solution à ce problème. En particulier, les réseaux de neurones artificiels convolutifs, capables de réaliser des tâches visuelles complexes à une vitesse surhumaine, pourraient nous permettre d'améliorer et d’automatiser l’analyse des données fUS. Ainsi, durant cette thèse nous proposons de développer puis de valider des algorithmes d’apprentissage machine dans l’objectif de faciliter l'examen des données fUS. Dans un premier temps nous nous sommes intéressés à l'amélioration d’images vasculaires de mauvaise qualité. Nous avons conçu et entraîné un réseau de neurones convolutifs dans le but d'accentuer notre perception des petits vaisseaux sanguins, initialement peu visibles en imagerie transcrânienne. Notre approche, qui fonctionne en temps réel (0.05 s), surpasse les techniques classiques d’amélioration d’image, en augmentant le contraste tout en préservant les détails les plus fins du réseau vasculaire. Ensuite, nous avons étudié l’efficacité d’un algorithme de détection automatique de points de repère pour le recalage vasculaire de volumes cérébraux. Ainsi, nous avons pu aligner plusieurs volumes vasculaires, même pathologiques ou fortement éloignés, en moins d’une seconde (0.8 s), avec une très grande précision, sans intervention manuelle. Suite à cette étude, nous proposons une nouvelle modalité de recalage automatique en 3D pour faciliter et accélérer la comparaison de différents enregistrements fUS espacés dans le temps. Enfin, nous avons entrepris d’appliquer les méthodes d’apprentissage automatique à l’identification d’états cérébraux chez le primate non humain, durant une tâche oculomotrice cognitive. Nous avons montré qu’un simple réseau de neurones convolutifs permet la classification de deux états de consciences : un état actif et un état passif. De plus, nous nous sommes intéressés aux mécanismes de décision mis en jeu par notre réseau de neurones, pour essayer de comprendre quelles structures cérébrales sont liées à la reprise volontaire d’une tâche après une pause. Cette approche, qui reste encore très expérimentale, pourrait nous aider à mieux concevoir le fonctionnement des procédés cérébraux impliqués dans l’expression de la volonté.Ultrafast ultrasound is a recent imaging modality derived from conventional medical ultrasound. It relies on the coherent compounding of backscattered echoes resulting from successive ultrasonic plane wave emissions, which enables high spatio-temporal resolution. In particular, ultrafast ultrasound is used for ultrafast Doppler imaging (uDoppler), which enables the visualization and characterization of blood flow with an exceptional sensitivity. With a technique known as functional ultrasound (fUS), uDoppler is capable of indirectly measuring neuronal activity in the brain, making it a powerful tool for neurosciences. Initially implemented in 2D, fUS is now being developed for 3D imaging of the whole brain, resulting in a considerable amount of data to be analyzed. Yet, fUS research remains limited by positioning uncertainty and variable image quality, making it difficult to analyze and compare the large volume of data obtained from different recording sessions. Machine learning algorithms, in particular convolutional neural networks (CNNs), which have demonstrated the capacity to perform complex visual tasks, could offer a solution to assist and automate the analysis of fUS data. This PhD thesis focuses on the development and validation of robust tools for automated fUS data processing, based on machine learning techniques. First, we improved image quality for real-time visualization in 2D uDoppler transcranial images of the brain, for which the skull attenuates the ultrasonic waves, increasing noise and lowering the sensitivity to small blood vessels. For this, we proposed and evaluated a turn-key solution based on a CNN specifically designed to improve blood vessel perception in real-time (0.05 s). We showed that this automatic solution outperforms standard image enhancement methods both by increasing contrast and preserving high resolution for small vessels. Then, we adapted an existing operator dependent registration pipeline for vascular network alignment in 3D, with an automatic key point localization strategy based on semantic segmentation. This enables accurate misalignment correction within 0.8 s, removing the operator dependency for registration, as well as improving the robustness to pathological or largely misaligned data. Hence, we suggested a novel registration pipeline for software designed for fUS studies, so as to allow for rapid and accurate comparison of temporal time points. Finally, we attempted to apply the machine learning approach to describe cerebral states of the behaving animal in a study of volition in non-human primates. Our trained CNN was successfully able to classify single 2D fUS frames into two different cerebral states. Additionally, the information learned by the network was used to propose a characterization of the cerebral blood volume change patterns spatially and sequentially during voluntary initiation of free movement. This approach, which is yet to be fully validated, may offer an automatic analysis framework of the cerebral mechanisms involved in intentionality, studied in the whole target field of view, beyond manual ROI-based analysis
Dispelling the Myths Behind First-author Citation Counts
Full text linkWe conducted a full-scale evaluative citation analysis study of scholars in the XML research field to explore just how different from each other author rankings resulting from different citation counting methods actually are, and to demonstrate the capability of emerging data and tools on the Web in supporting more realistic citation counting methods. Our results contest some common arguments for the continued
use of first-author citation counts in the evaluation of scholars, such as high correlations between author rankings by first-author citation counts and other citation
counting methods, and high costs of using more realistic citation counting methods that are not well-supported by the ISI databases. It is argued that increasingly available digital full text research papers make it possible for citation analysis studies to go beyond what the ISI databases have directly supported and to employ more
sophisticated methods
- …
