Метод діагностики хвороби Альцгеймера за томографічними зображеннями мозку
Основний зміст сторінки статті
Анотація
Розглянуто проблематику діагностики хвороби Альцгеймера. Приведено огляд сучасних інженерних методів автоматичної діагностики хвороби Альцгеймера за зображеннями магнітно-резонансної томографії та позитронно-еміснійної томографії.
Наведено алгоритм методу відбору ознак, розроблений з використанням статистичних критеріїв.
Розроблено и експериментально досліджено метод на базі математичного апарату нечіткої логіки для автоматизованої діагностики хвороби Альцгеймера.
Бібл. 34., рис. 7., табл. 2
Блок інформації про статтю
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- 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.
- 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.
- 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 Scienc-es, John Wiley & Sons, Ltd, ed. (Chichester, UK: John Wiley & Sons, Ltd).
Zhang, Y., Dong, Zh., Wu, L. (2011). A hybrid method for MRI brain image classification. Expert Sys-tem with Applications 38. Pр. 1049-1053.
Lahmiri, S., Boukadoum, M. (2012). Automatic Brain MR Images Diagnosis Based on Edge Fractal Dimension and Spectral Energy Signature. 34th Annual International Conference of the IEEE EMBS. Pр. 6243-6246.
Aggarwal, N., Agrawal, R. K. (2012). First and Second Order Statistics Features for Classification of Magnetic Resonance Brain Images. Journal of Signal and Information Processing. Pр. 146-153.
Alvarez, I., Gorriz, J. M., Ramirez, J., Sals-Gonzalez, D. (2009). Alzheimer’s diagnosis using eigenbrains and support vector machine. Electronic Letters Vol. 45 (7). Pр. 342-343.
Gorriz, J. M., Ramirez, J., Lassl, A., and others. (2008). Automatic Computer Aided Diagnosis Tool using Component-based SVM. Nuclear Science Symposium Conference Record. Pр. 4392-4395.
Ramirez, J., Chaves, R., Gorriz, J. M., Lopez, M., and others. (2009). Computer aided diagnosis of the Alzheimer’s Disease combining SPECT-based feature selection and Random forest classifiers. Nu-clear Science Symposium Conference Record. Pр. 2738-2742.
Segovia, F., Górriz, J., Ramírez, J., and others. (2012). A comparative study of feature extraction methods for the diagnosis of Alzheimer’s disease using the ADNI database. Neurocomputing 75. Pр. 856-867.
Padilla, P., Gorriz, J. M., Ramirez, J., Chaves, R. (2010). Alzheimer’s disease detection in functional images using 2D Gabor wavelet analysis. Electronic Letters Vol. 46 (8). Pр.556-558.
Ramirez, J., Chaves, R., Gorriz, J. M., Lopez, M., and others. (2009). Computer aided diagnosis of the Alzheimer’s Disease combining SPECT-based feature selection and Random forest classifiers. Nu-clear Science Symposium Conference Record. Pр. 2738-2742.
Lopez, M., Ramirez, J., Gorriz, J. M., and others. (2009). Multivariate approaches for Alzheimer’s dis-ease diagnosis using Bayesian classifiers. Nuclear Science Symposium Conference Record. Pр. 3190-3193.
Alvarez, I., Gorriz, J. M., Ramirez, J., Sals-Gonzalez, D. (2009). Alzheimer’s diagnosis using eigenbrains and support vector machine. Electronic Letters Vol. 45 (7). Pр. 342-343.
Krashenyi, I., Popov, A., Ramírez, J., Górriz, J. M. (2015). A clasterizations methods application for fuzzy logic inference systems for Alzheimer’s disease diagnosis. Electronic and Communication [sub-mitted] (in Ukrainian)
Krashenyi, I., Popov, A., Ramírez, J., Górriz, J. M. (2015). Fuzzy inference system for Alzheimer’s disease diagnosis. Current Alzheimer Research [submitted]
Krashenyi, I., Popov, A., Ramírez, J., Górriz, J. M. (2015). Fuzzy classification of Alzheimer’s Disease using statistical moments. IEEE 35th International Conference on Electronics and Nanotechnology (ELNANO). Pр. 409-412.
Krashenyi, I., Popov, A., Ramírez, J., Górriz, J. M. (2015). Application of fuzzy logic for Alzheimer’s disease diagnosis. Signal Processing Symposium (SPSympo), Debe, Poland. Pр. 1-4.
Krashenyi, I., Popov, A., Ramírez, J., Górriz, J. M. (2016). Fuzzy computer-aided Alzheimer’s disease diagnosis using MRI and PET statistical features. IEEE 36th International Conference on Electronics and Nanotechnology (ELNANO). [submitted]
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.
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.
Zhang, D., Wang, Y., Zhou, L., and others. (2011). Multimodal Classification of Alzheimer’s Disease and Mild Cognitive Impairment. NeuroImage 55, pp. 1–27.
Krashenyi, I., Popov, A., Ramírez, J., Górriz, J. M. (2014). Application of karhunen-loeve transor-mation for human MRI analysis. Electronic and Communication 5, pp. 57-62. (Ukr.)
