Identifying texture features from structural magnetic resonance imaging scans associated with Tourette’s syndrome using machine learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose: Tourette syndrome (TS) is a neurodevelopmental disorder characterized by neurophysiological and neuroanatomical changes, primarily affecting individuals aged 2 to 18. Involuntary motor and vocal tics are common features of this syndrome. Currently, there is no curative therapy for TS, only psychological treatments or medications that temporarily manage the tics. The absence of a definitive diagnostic tool complicates the differentiation of TS from other neurological and psychological conditions. Approach: We aim to enhance the diagnosis of TS through the classification of structural magnetic resonance scans. Our methodology comprises four sequential steps: (1) image acquisition, data were generated for the National Taiwan University, composing images of pediatric magnetic resonance imaging (MRI); (2) pre-processing, involving anatomical structural segmentation using reesurfer software; (3) feature extraction, where texture features in volumetric images are obtained; and (4) image classification, employing support vector machine and naive Bayes classifiers to determine the presence of TS. Results: The analysis indicated significant changes in the regions of the limbic system, such as the thalamus and amygdala, and regions outside the limbic system such as medial orbitofrontal cortex and insula, which are strongly associated with TS. Conclusions: Our findings suggest that texture features derived from sMRI scans can aid in the diagnosis of TS by highlighting critical brain regions involved in the disorder. The proposed method holds promise for improving diagnostic accuracy and understanding the neuroanatomical underpinnings of TS.
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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découle