著名医師による解説が無料で読めます
すると翻訳の精度が向上します
背景。疾患の初期段階での健康なコントロール（HC）患者からのアルツハイマー病（AD）のエラーのない診断は大きな懸念事項です。なぜなら、存在する状態の重症度と発達リスクに関する情報により、AD患者は不可逆的な脳損傷が発生する前に予防策を講じることができるからです。最近、磁気共鳴画像（MRI）分類のコンピューター支援診断に大きな関心がありました。しかし、高齢者のアルツハイマー病と健康な脳データを区別することは、非常に類似した脳パターンとイメージの強度のために困難です。最近、最先端の特徴抽出技術は、医療画像分析を含む多くの分野で広範なアプリケーションを発見しました。ここでは、画像から特徴を抽出するためのデュアルツリーコンプレックスウェーブレット変換（DTCWT）を提案します。特徴ベクトルの次元は、主成分分析（PCA）を使用して減少します。還元機能ベクトルは、ADとHCを入力MR画像と区別するために、フィードフォワードニューラルネットワーク（FNN）に送信されます。これらの提案および実装されたパイプラインは、最近の研究と比較した場合の分類出力の改善を実証し、90.06±0.01％の高および再現性精度率を92.00±0.04％で、87.78±0.04％の特異性、および89.6±0.03％の精度の特異性をもたらしました。
背景。疾患の初期段階での健康なコントロール（HC）患者からのアルツハイマー病（AD）のエラーのない診断は大きな懸念事項です。なぜなら、存在する状態の重症度と発達リスクに関する情報により、AD患者は不可逆的な脳損傷が発生する前に予防策を講じることができるからです。最近、磁気共鳴画像（MRI）分類のコンピューター支援診断に大きな関心がありました。しかし、高齢者のアルツハイマー病と健康な脳データを区別することは、非常に類似した脳パターンとイメージの強度のために困難です。最近、最先端の特徴抽出技術は、医療画像分析を含む多くの分野で広範なアプリケーションを発見しました。ここでは、画像から特徴を抽出するためのデュアルツリーコンプレックスウェーブレット変換（DTCWT）を提案します。特徴ベクトルの次元は、主成分分析（PCA）を使用して減少します。還元機能ベクトルは、ADとHCを入力MR画像と区別するために、フィードフォワードニューラルネットワーク（FNN）に送信されます。これらの提案および実装されたパイプラインは、最近の研究と比較した場合の分類出力の改善を実証し、90.06±0.01％の高および再現性精度率を92.00±0.04％で、87.78±0.04％の特異性、および89.6±0.03％の精度の特異性をもたらしました。
Background. Error-free diagnosis of Alzheimer's disease (AD) from healthy control (HC) patients at an early stage of the disease is a major concern, because information about the condition's severity and developmental risks present allows AD sufferer to take precautionary measures before irreversible brain damage occurs. Recently, there has been great interest in computer-aided diagnosis in magnetic resonance image (MRI) classification. However, distinguishing between Alzheimer's brain data and healthy brain data in older adults (age > 60) is challenging because of their highly similar brain patterns and image intensities. Recently, cutting-edge feature extraction technologies have found extensive application in numerous fields, including medical image analysis. Here, we propose a dual-tree complex wavelet transform (DTCWT) for extracting features from an image. The dimensionality of feature vector is reduced by using principal component analysis (PCA). The reduced feature vector is sent to feed-forward neural network (FNN) to distinguish AD and HC from the input MR images. These proposed and implemented pipelines, which demonstrate improvements in classification output when compared to that of recent studies, resulted in high and reproducible accuracy rates of 90.06 ± 0.01% with a sensitivity of 92.00 ± 0.04%, a specificity of 87.78 ± 0.04%, and a precision of 89.6 ± 0.03% with 10-fold cross-validation.
医師のための臨床サポートサービス
ヒポクラ x マイナビのご紹介
無料会員登録していただくと、さらに便利で効率的な検索が可能になります。