Alzheimer’s Disease Classification Based on Individual Hierarchical Networks Constructed With 3-D Texture Features
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Brain network plays an important role in representing abnormalities in Alzheimers disease (AD) and mild cognitive impairment (MCI), which includes MCIc (MCI converted to AD) and MCInc (MCI not converted to AD). In our previous study, we proposed an AD classification approach based on individual hierarchical networks constructed with 3D texture features of brain images. However, we only used edge features of the networks without node features of the networks. In this paper, we propose a framework of the combination of multiple kernels to combine edge features and node features for AD classification. An evaluation of the proposed approach has been conducted with MRI images of 710 subjects (230 health controls (HC), 280 MCI (including 120 MCIc and 160 MCInc), and 200 AD) from the Alzheimer's disease neuroimaging initiative database by using ten-fold cross validation. Experimental results show that the proposed method is not only superior to the existing AD classification methods, but also efficient and promising for clinical applications for the diagnosis of AD via MRI images. Furthermore, the results also indicate that 3D texture could detect the subtle texture differences between tissues in AD, MCI, and HC, and texture features of MRI images might be related to the severity of AD cognitive impairment. These results suggest that 3D texture is a useful aid in AD diagnosis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle