Використання методів кластеризації в системах нечіткого виводу для діагностики хвороби Альцгеймера на основі ПЕТ-зображень

Бічна панель сторінки статті

PDF
Опубліковано: Oct 27, 2016
DOI: https://doi.org/10.20535/2312-1807.2016.21.2.51681
Ключові слова:
хвороба Альцгеймера, слабоумство, нечітка логіка, позитронно-емеісійна томографія,

Основний зміст сторінки статті

Ihor Eduardovych Krashenyi
Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського»
Anton Oleksandrovych Popov
Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського»
Haver Ramirez
Університет Гранади
Huan Manuel Gorriz
Університет Гранади

Анотація

Робота присвячена використанню методів кластеризації в системах нечіткого виводу для класифікації ПЕТ-зображень з метою діагностики хвороби Альцгеймера. Оцінені характеристики кожного з трьох представлених кластеризаційних методів: Subtractive Clustering, C-means  та Fuzzy Grid Partition. Надані рекомендації щодо використання методу Subtractive Clustering у системах нечіткого виводу для автоматичної діагностики хвороби Альцгеймера, як методу, що показав найкращі результати з AUC= 0.8791.

Бібл. 20, рис. 3, табл. 3.

Блок інформації про статтю

Як цитувати
Krashenyi, I. E., Popov, A. O., Ramirez, H., & Gorriz, H. M. (2016). Використання методів кластеризації в системах нечіткого виводу для діагностики хвороби Альцгеймера на основі ПЕТ-зображень. Електроніка та Зв’язок, 21(2), 56–62. https://doi.org/10.20535/2312-1807.2016.21.2.51681
Номер
Том 21 № 2 (2016)
Розділ
Біомедичні прилади та системи
Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:

  1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
  2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
  3. Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).

Посилання

Mayeux, R. (2010). Early Alzheimer’s disease. New England Journal of Medicine 362, pp. 2194–2201.

Nowotny, P., Kwon, J.M., and Goate, A. M. (2001). Alzheimer Disease. In Encyclopedia of Life Sci-ences, John Wiley & Sons, Ltd, ed. (Chichester, UK: John Wiley & Sons, Ltd),.

Zadeh, L. A. (1965). Fuzzy sets. Information and Control 8, 338–353.

Zadeh, L. A. (1968). Fuzzy algorithms. Information and Control 12, 94–102.

Zadeh, L. A. (1980). Fuzzy sets versus probability. Proceedings of the IEEE 68, 421–421.

Sharma, D. (2011). Designing and modeling fuzzy control Systems. International Journal of Computer Applications 16, 46–53.

Hu, Y.-C. (2007). SIMPLE FUZZY GRID PARTITION FOR MINING MULTIPLE-LEVEL FUZZY SEQUENTIAL PATTERNS. Cybernetics and Systems 38, 203–228.

Bezdek, J. C., Ehrlich, R., and Full, W. (1984). FCM: The fuzzy c-means clustering algorithm. Com-puters & Geosciences 10, 191–203.

Bezdek, J. C. (1981). Pattern recognition with fuzzy objective function algorithms (New York: Plenum Press).

Cannon, R. L., Dave, J. V., and Bezdek, J. C. (1986). Efficient implementation of the fuzzy c-means clustering algorithms. Pattern Analysis and Machine Intelligence, IEEE Transactions on pp. 248–255.

Yager, R. R., and Filev, D. P. (1994). Approximate clustering via the mountain method. IEEE Transac-tions on Systems, Man, and Cybernetics 24, pp. 1279–1284.

Alemán-Gómez Y., Melie-García L., Valdés-Hernandez. P. (2006) IBASPM: Toolbox for automatic parcellation of brain structures. The 12th Annual Meeting of the Organization for Human Brain Map-ping, June 11-15, 2006, Florence, Italy. Available on CD-Rom in NeuroImage, Vol. 27, No.1.

STUDENT (1908). THE PROBABLE ERROR OF A MEAN. Biometrika 6, pp. 1–25.

Rice, J. A. (2007). Mathematical statistics and data analysis (Belmont, CA: Thomson/Brooks/Cole).

Arlot, S., and Celisse, A. (2010). A survey of cross-validation procedures for model selection. Statis-tics Surveys 4, pp. 40–79.

Geisser, S. (1993). Predictive inference: an introduction (New York: Chapman & Hall).

Powers, D. M. (2011). Evaluation: from precision, recall and F-measure to ROC, informedness, mark-edness and correlation.

Goutte, C., and Gaussier, E. (2005). A probabilistic interpretation of precision, recall and F-score, with implication for evaluation. In Advances in Information Retrieval, (Springer), pp. 345–359.

Metz, C. E. (1978). Basic principles of ROC analysis. In Seminars in Nuclear Medicine, (Elsevier), pp. 283–298.

Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters 27, pp. 861–874.