Contextual Corpus Callosum Analysis for Differentiating Early and Late Mild Cognitive Impairment
Notice bibliographique
Résumé
In recent times, deep learning extensively utilized across diverse domains, including Radiology. They play a pivotal role in early disease detection by analyzing data to identify patterns and biomarkers. Here, we propose a novel approach for classifying between Early MCI (EMCI) and Late MCI (LMCI), by integrating object detection with 3D CNN. Leveraging the capabilities of YOLOv5 object detection and 3D CNN, we focus on identifying changes in the corpus callosum (CC) and its neighbourhood, a crucial brain structure facilitating inter-hemispheric communication. Unlike existing methods that require manual cropping of CC, our approach integrates both detection and classification models, along with eliminating need for preprocessing steps. Applying on balanced dataset of Structural MRI volumes of 1098 subjects obtained from publicly available ADNI dataset, our method achieves accuracy of 88.41%. The novelty lies in integrating YOLOv5 object detection with 3D CNN for complete automation without the need for preprocessing, thereby utilizing "CC with context" for classification. The importance of utilizing neighbourhood of CC is illustrated by enhance classification accuracy of nearly 7%.Clinical relevance- This study demonstrates that the proposed 3D CNN model can accurately differentiate between early and late stages of Mild Cognitive Impairment by focusing on distinct subregions of the CC, aligning with known patterns of neurodegeneration. The model's interpretability to localize clinically relevant brain regions enhances its diagnostic value and supports more targeted, stage-specific interventions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».