Alzheimer’s Disease Classification Using Wavelet-Based Image Features
Notice bibliographique
Résumé
Alzheimer's disease (AD) is a big issue within a population of aged people.AD starts with cognitive decline initially and creates miserable conditions for patients with time.One of the best preventive measures to control AD is its early detection at the Mild Cognitive Impairment (MiCI) stage.The MiCI is a transition stage between normal ageing and AD.The MiCI stage refers to the noticeable decline in cognitive abilities of a patient, that is more pronounced than would be expected for his age but not severe enough to substantially affect his daily life.Early detection at MiCI stage allows for prompt intervention and medication, which can help manage symptoms more effectively.This paper proposed a new feature extraction technique namely, Wavelet-based Shifted Circular-Elliptical Local Descriptors (WSCELD) for early AD detection.The proposed WSCELD combines the Double-Density Dual-Tree Complex Wavelet Transform (DD-DTCWT) with the shifted elliptical and circular local binary patterns for extracting directional and structural features in terms of multiple micro and macro patterns.The histogram features are obtained from transform domain images using the proposed WSCELD and have been used for classification.Different variants of WSCELD viz.Mean WSCELD, Median WSCELD, Energy WSCELD and Variance WSCELD have been investigated and Energy WSCELD has been proposed.Experimental results show the Energy WSCELD as the best performer with classification accuracy, sensitivity, and specificity of 97.31.6%,97.11.2% and 97.21.1% for AD/Normal Controls (NoC) classification, 94.61.1%,96.11.2% and 93.11.1% for AD/MiCI classification and 93.81.4%,92.41.5% and 96.21.2% for MiCI/NoC classification respectively.The proposed approach is the automated approach for AD detection and is suitable for clinical implementation for early AD detection.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».