Dealing With Noise and Partial Volume Effects in Alzheimer Disease Brain Tissue Classification by a Fuzzy-Possibilistic Modeling Based on Fuzzy-Genetic Initialization
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
Segmentation is a key step in brain imaging where clustering techniques are widely used, particularly the fuzzy approach which offers active and robust methods against noise and partial volume effect (PVE). To address those imperfections, this article suggests an automatic segmentation of brain tissues for magnetic resonance and functional images of Alzheimer's patients, based on an efficient and robust genetic-fuzzy-possibilistic clustering scheme for the assessment of white matter, gray matter and cerebrospinal fluid volumes. The proposed hybrid clustering process based on: 1) A fuzzy possibilistic c-means algorithm that models the degree of relationship between each voxel and a given tissue. 2) A fuzzy c-means algorithm to initialize the clusters centers, with subsequent optimization by a genetic algorithm. Each stage of the proposed clustering process is validated on real brain data and synthetic images of an Alzheimer's Disease Neuroimaging Initiative (ADNI) phantom. A performance comparison is made with the usual fuzzy techniques. The visual and quantitative results obtained with the proposed approach using various signal-to-noise ratios prove its effectiveness to quantify the tissue volume of images of different modalities types in the presence of noise and PVE. The effectiveness in terms of computational rate is also demonstrated.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle