Hippocampus Segmentation of Brain MRI Images for Possible Progression Detection of Alzheimer’s Disease
Notice bibliographique
Résumé
Alzheimer's disease (AD) has become as one of the most serious ailments that need to be faced by people all over the world. There is no cure for AD, but the progression of the illness may be reduced with the early detection and proper monitoring of the disease. Many current studies focused more on early detection but does not include the monitoring process as well. Proper monitoring system is as critical as early diagnosis since it allows doctors to assess the disease development of Alzheimer's patients quantitatively. This study proposes to develop an algorithm for detecting the hippocampus of patients with Alzheimer's disease in MRI images and use that for the purpose of progression detection of the disease. After performing some pre-processing steps, the active contour method (Chan-Vese) was used to extract the region of interest (ROI). Next, certain parameters were calculated including the number of pixels and area pixels. From the extracted parameters of the patients from two different MRI sessions, percentage of progression is calculated by measuring the reduction in pixel numbers from those images. This study was able to develop a semi-automated and robust model based on the Chan-Vese segmentation technique, where it could observe the shrinking of the patient brain by the progression method using the total pixels of the hippocampus and its area by getting decreased at the second visit. Based on the result, it shows that this study could be further extended by implementing various feature extraction techniques to come out with a more robust output which can be used for progression detection of Alzheimer’s disease.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».