3D CNN based Alzheimer’s diseases classification using segmented Grey matter extracted from whole-brain MRI
Notice bibliographique
Résumé
A recent study from MRI has revealed that there is a minor increase in cerebral-spinal fluid (CSF) content in brain ventricles and sulci, along with a substantial decrease in grey matter (GM) content and brain volume among Alzheimer's disease (AD) patients. It has been discovered that the grey matter volume shrinkage may indicate the possible case of dementia and related diseases like AD. Clinicians and radiologists use imaging techniques like Magnetic Resonance Imaging (MRI), Computed Tomography (CT) scan, and Positron Emission Tomography (PET) to diagnose and visualize the tissue contents of the brain. Using the whole brain MRI as the feature is an on-going approach among machine learning researchers, however, we are interested only in grey matter content. First, we segment the MRI using the SPM (Statistical parameter mapping) tool and then apply the smoothing technique to get a 3D image of grey matter (later called as grey version) from each MRI. This image file is then fed into 3D convolutional neural network (CNN) with necessary pre-processing so that it can train the network, to produce a classifying model. Once trained, an untested MRI (i.e. its grey version) can be passed through the CNN to determine whether it is a healthy control (HC), or Mild Cognitive Impairment (MCI) due to AD (mAD) or AD dementia (ADD). Our validation and testing accuracy are reported here and compared with normal MRI and its grey version.
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 | 0,001 |
| 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 | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».