Alzheimer’s Disease MRI Brain Segmentation Using Pythagorean Fuzzy Sets
Notice bibliographique
Résumé
Alzheimer's disease (AD) is a degenerative and ultimately fatal brain disorder for which there is no cure.This neurological condition, with a complex etiology, causes dementia and cognitive decline, making its identification challenging due to the variation in brain MRIs, including differences in size, shape, and CSF flow.While there is no treatment for AD, its progression can be slowed with early diagnosis.Many researchers have employed image processing-based techniques to differentiate between normal and AD-affected patients based on brain images.However, the brain's regions often look super similar, making it tricky to pinpoint specific areas, plus there's always some uncertainty when it comes to extracting the exact regions.There have been various proposals in the literature for fuzzy cmeans and intuitionistic fuzzy c-means (IFCM) approaches to deal with this ambiguity and uncertainty.In contrast, Pythagorean fuzzy sets (PFS) provide a more precise means of verifying membership, making them an effective tool for managing uncertainty.The author analyzed PFS and applied fuzzy c-means to propose Pythagorean fuzzy c-means (PFCM).Additionally, histogram-based initial centroids were used to avoid the local minima problem, which is common in many clustering algorithms.The proposed clustering algorithm demonstrated improved performance, completing execution in less than 1.5 seconds, owing to the incorporation of initial centroids and PFS-based clustering.The proposed method achieved high accuracy rates: 98.64% for white matter (WM), 97.4% for gray matter (GM), and 98.14% for cerebrospinal fluid (CSF) in detecting brain tissues.
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 ».