ALTEA: A Software Tool for the Evaluation of New Biomarkers for Alzheimer’s Disease by Means of Textures Analysis on Magnetic Resonance Images
Notice bibliographique
Résumé
The current criteria for diagnosing Alzheimer’s disease (AD) require the presence of relevant cognitive deficits, so the underlying neuropathological damage is important by the time the diagnosis is made. Therefore, the evaluation of new biomarkers to detect AD in its early stages has become one of the main research focuses. The purpose of the present study was to evaluate a set of texture parameters as potential biomarkers of the disease. To this end, the ALTEA (ALzheimer TExture Analyzer) software tool was created to perform 2D and 3D texture analysis on magnetic resonance images. This intuitive tool was used to analyze textures of circular and spherical regions situated in the right and left hippocampi of a cohort of 105 patients: 35 AD patients, 35 patients with early mild cognitive impairment (EMCI) and 35 cognitively normal (CN) subjects. A total of 25 statistical texture parameters derived from the histogram, the Gray-Level Co-occurrence Matrix and the Gray-Level Run-Length Matrix, were extracted from each region and analyzed statistically to study their predictive capacity. Several textural parameters were statistically significant (p < 0.05) when differentiating AD subjects from CN and EMCI patients, which indicates that texture analysis could help to identify the presence of AD.
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.
Comment cette classification a été obtenuedéplier
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 | 0,005 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».