Neste trabalho apresentamos uma nova abordagem para a exploração de fibras neurais a partir de imagens de tensores de difusão. A estratégia combina técnicas de visualização de informação e visualização científica para obter uma rápida e precisa interpretação das fibras. Para isto fazemos uma transformação das fibras para vetores, e utilizamos uma nova técnica de projeção multi-dimensional (P-LSP), para trabalhar com conjuntos grandes de dados. A exploração do espaço das fibras é feita através desta projeção. Além disso, é apresentada a extensão das técnicas LSP e P-LSP para criar projeções em 3D, assim como estratégias que permitem interagir com pontos em 3D. Outra contribuição deste trabalho é a modificação de um método apresentado para criar superfícies de densidade fechadas sobre pontos esparsos. Esta modificação torna possível criar superfícies sobre conjuntos de pontos maiores com uma qualidade aceitável, o que é utilizado para representar conjunto de fibras como uma superfície. Esta nova abordagem é comparada com trabalhos similares mostrando nossas vantagens em termos de tempo de processamento, qualidade e funcionalidades para analisar esta categoria de dados / This work presents a novel approach for the exploration of neural fibers extracted from Diffusion Tensor Images. The developed strategy combines techniques from information and scientific visualization in order to attain a fast and precise interpretation of fiber sets. The approach transforms fibers into vectors from which a new multidimensional projection technique (PLSP) capable of handling large data sets. The fiber space is explored through the projection. Additionally this work extends P-LSP and LSP projections to 3D, and defines strategies to interact with 3D sparse points. Another contribution of this work is the extension of a method to create close density surfaces over the sparse space generated by the projections. The visualization approach is compared with other similar work showing advantages in processing time, quality and exploration capability to analyze this type of data sets

Neste trabalho apresentamos uma nova abordagem para a exploração de fibras neurais a partir de imagens de tensores de difusão. A estratégia combina técnicas de visualização de informação e visualização científica para obter uma rápida e precisa interpretação das fibras. Para isto fazemos uma transformação das fibras para vetores, e utilizamos uma nova técnica de projeção multi-dimensional (P-LSP), para trabalhar com conjuntos grandes de dados. A exploração do espaço das fibras é feita através desta projeção. Além disso, é apresentada a extensão das técnicas LSP e P-LSP para criar projeções em 3D, assim como estratégias que permitem interagir com pontos em 3D. Outra contribuição deste trabalho é a modificação de um método apresentado para criar superfícies de densidade fechadas sobre pontos esparsos. Esta modificação torna possível criar superfícies sobre conjuntos de pontos maiores com uma qualidade aceitável, o que é utilizado para representar conjunto de fibras como uma superfície. Esta nova abordagem é comparada com trabalhos similares mostrando nossas vantagens em termos de tempo de processamento, qualidade e funcionalidades para analisar esta categoria de dados / This work presents a novel approach for the exploration of neural fibers extracted from Diffusion Tensor Images. The developed strategy combines techniques from information and scientific visualization in order to attain a fast and precise interpretation of fiber sets. The approach transforms fibers into vectors from which a new multidimensional projection technique (PLSP) capable of handling large data sets. The fiber space is explored through the projection. Additionally this work extends P-LSP and LSP projections to 3D, and defines strategies to interact with 3D sparse points. Another contribution of this work is the extension of a method to create close density surfaces over the sparse space generated by the projections. The visualization approach is compared with other similar work showing advantages in processing time, quality and exploration capability to analyze this type of data sets