Preliminary Analysis on the Effect of Different Denoising Techniques towards Texture Features of MRI Images of Alzheimer’s Disease
Notice bibliographique
Résumé
Early detection of Alzheimer’s disease (AD) has become one of the major research topics nowadays. The utilization of the computerized system may help medical experts to better understand and analyse the magnetic resonance imaging (MRI) images of AD patients for early detection. One of the commonly steps taken for the analysis of the image is image denoising using certain filters. However, finding shows that previous researchers use different approaches. This study aims to analyse the effect of different denoising techniques towards detection of Alzheimer’s disease. Data of two different groups (AD patients and Normal Control) were collected from Alzheimer's Disease Neuroimaging Initiative (ADNI). Then brain extraction and skull stripping were performed. Several image denoising techniques were implemented for both groups namely median filter, Wiener filter, histogram equalization filter and Gaussian low pass filter. After that, all images underwent texture feature extraction process and analysis were made to see the effect of those denoising techniques towards the features of Gray-Level Co-occurrence Matrix (GLCM) extracted which are the contract, correlation, energy and homogeneity features. The result shows that the use of mentioned denoising filters do not give effect to the extracted features. All values of contrast, correlation, energy and homogeneity cannot clearly distinguish between AD and NC groups. Without any filters on the other hand, contrast feature gives the best output in distinguishing between AD and NC groups with the normalized value of 0.1. The result from this study may help in thorough investigation of other features or hybrid features that could be used for the purpose of detection and classification 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».