Применение методов кластеризации для диагностики болезни Альцгеймера на основе ПЕТ-изображений

##plugins.themes.bootstrap3.article.sidebar##

PDF (Українська)
Опубликован: Oct 27, 2016
DOI: https://doi.org/10.20535/2312-1807.2016.21.2.51681
Ключевые слова:
болезнь Альцгеймера, слабоумие, нечеткая логика, позитронно-эмисионная томография

##plugins.themes.bootstrap3.article.main##

Ihor Eduardovych Krashenyi
Национальный технический университет Украины «Киевский политехнический институт имени Игоря Сикорского»
Anton Oleksandrovych Popov
Национальный технический университет Украины «Киевский политехнический институт имени Игоря Сикорского»
Haver Ramirez
университет Гранады
Huan Manuel Gorriz
университет Гранады

Аннотация

Данная работа посвящена применению методов кластеризации в системах нечеткого вывода для классификации ПЭТ-изображений с целью диагностики болезни Альцгеймера. Оценены характеристики каждого из трех представленных методов кластеризации: Subtractive Clustering, C-means и Fuzzy Grid Partition. Представлены рекомендации касательно использования метода Subtractive Clustering в системах нечеткого вывода для автоматизированной диагностики болезни Альцгеймера, как метода, который показал наилучшие результаты с AUC=0,8791.

Библ. 20, рис. 3, табл. 3.

##plugins.themes.bootstrap3.article.details##

Как цитировать
Krashenyi, I. E., Popov, A. O., Ramirez, H., & Gorriz, H. M. (2016). Применение методов кластеризации для диагностики болезни Альцгеймера на основе ПЕТ-изображений. Электроника и Связь, 21(2), 56–62. https://doi.org/10.20535/2312-1807.2016.21.2.51681
Выпуск
Том 21 № 2 (2016)
Раздел
биомедицинские приборы и системы
Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.

Авторы, публикующиеся в данном журнале, соглашаются со следующими условиями:

  1. Авторы сохраняют за собой права на авторство своей работы и предоставляют журналу право первой публикации этой работы на условиях лицензии Creative Commons Attribution License, которая позволяет другим лицам свободно распространять опубликованную работу с обязательной ссылокой на авторов оригинальной работы и оригинальную публикацию в этом журнале.
  2. Авторы сохраняют право заключать отдельные договора на неэксклюзивное распространение работы в том виде, в котором она была опубликована этим журналом (например, размещать работу в электронном архиве учреждения или публиковать в составе монографии), с условием сохраниения ссылки на оригинальную публикацию в этом журнале.
  3. Политика журнала разрешает и поощряет размещение авторами в сети Интернет (например в институтском хранилище или на персональном сайте) рукописи работы как до ее подачи в редакцию, так и во время ее редакционной обработки, так как это способствует продуктивной научной дискуссии и положительно сказывается на оперативности и динамике цитирования статьи (см. The Effect of Open Access).

Библиографические ссылки

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.