Health care intelligent system: A neural network based method for early diagnosis of Alzheimer's disease using <scp>MRI</scp> images
Notice bibliographique
Résumé
Abstract Alzheimer's disease (AD) is a neurodegenerative disease that causes memory loss and is considered the most common type of dementia. In many countries, AD is commonly affecting senior citizens having an aged more than 65 years. Machine learning‐based approaches have some limitations due to data pre‐processing issues. We propose a health care intelligent system based on a deep convolutional neural network (DCNN) in this research work. It classifies normal control (NC), mild cognitive impairment (MCI), and AD. The proposed model is employed on white matter (WM), and grey matter (GM) tissues with more cognitive decline features. In the experimental process, we used 375 Magnetic Resonance Image (MRI) subjects collected from Alzheimer's disease neuroimaging initiative (ADNI), including 130 NC people, 120 MCI patients, and 125 AD patients. We extract three major regions during pre‐processing, that is, WM, GM and cerebrospinal fluid (CSF). This study shows promising classification results for NC versus AD 97.94%, MCI versus AD 92.84%, and NC versus MCI 88.15% on GM images. Furthermore, our proposed model attained 95.97%, 90.82%, and 86.87% on the same three binary classes on WM tissue, respectively. When comparing existing studies in terms of accuracy and other evaluation parameters, we found that our proposed approach shows better results than those approaches based on the CNN method.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».