Ранжування статистичних ознак для діагностики хвороби Альцгеймера
DOI:
https://doi.org/10.20535/2617-8974.2018.1(1).152119Ключові слова:
Хвороба Альцгеймера, МРТ, діагностикаАнотація
Стаття присвячена автоматичному прогнозуванню хвороби Альцгеймера та методам вилучення та відбору найбільш значущих ознак зображень МРТ. Використовуючи алгоритм вилучення статистичних характеристик зображень МРТ за допомогою атласу анатомічних областей головного мозку, було розраховано шість статистичних ознак (середнє, середнє абсолютне відхилення, медіана, стандартне відхилення, середнє квадратичне, коефіцієнт асиметрії) для сегментованих зображень білої та сірої речовини мозку. Запропоновано новий підхід до ранжування ознак за критерієм Вілкоксона для бінарної класифікації. В результаті отриманий ранжований список ознак, пов'язаних з анатомічними областями головного мозку для кожної групи за діагнозом. Серед найбільш описових особливостей для діагностики хвороби Альцгеймера є значення середнього арифметичного в гіпокампі, середнє абсолютне відхилення в зоні поясу, середньоквадратичне в острівцевій корі.
Посилання
H. Tomaskova, "Prediction of population with Alzheimer’s disease in the European Union using a system dynamics model," Neuropsychiatric Disease and Treatment, vol. 12, p. 1589–1598, 2016.
A. Burns, "Alzheimer’s disease," BMJ, no. 338, 2009.
Ramachandran T, "Alzheimer Disease Imaging," Medscape,
N. Aggarwa and R. Agrawal, "Second Order Statistics Features for Classification of Magnetic Resonance Brain Images," Journal of Signal and Information Processing, vol. 3, no. 2, pp. 146-153, 2012.
S. Lahmiri and M. Boukadoum, "Automatic brain MR images diagnosis based on edge fractal dimension and spectral energy signature," in Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2012.
Y. Zhang, Z. Dong, L. Wu and S. Wang, "A hybrid method for MRI brain image classification," Expert Systems with Applications, vol. 38, p. 10049–10053, 2011.
I. Despotović, B. Goossens and W. Philips, "MRI Segmentation of the Human Brain: Challenges, Methods, and Applications," Computational and Mathematical Methods in Medicine, p. 23, 2015.
I. Krashenyi, J. Ramírez, A. Popov and J. M. Górriz, "Fuzzy Computer-Aided Alzheimer’s Disease Diagnosis Based on MRI Data," Current Alzheimer Research, vol. 13, no. 5, pp. 545-556, 2016.
A. H. Vedmid, S. V. Mashtalir and E. S. Sakalo, "Restoration of images using analysis of principal and independent component," Information processing systems, vol. 6, pp. 66-72, 2010.
O. Panichev, "Methods of EEG analysis for prediction of epileptic seizures," Electronics and Communications: Scientific and Technical Journal, vol. 20, no. 3, p. 68–77, 2015.
D. Domashenko, M. Manko, A. Popov, I. Krashenyi, J. Ramírez and J. M. Górriz, "Feature ranking for mild cognitive impairment and Alzheimer's disease diagnosis," in Signal Processing Symposium (SPSympo), Jachranka, 2017.
I. Krashenyi, A. Popov, J. Ramírez and J. M. Górriz, "Fuzzy computer-aided diagnosis of Alzheimer's disease using MRI and PET statistical features," in IEEE 36th International Conference on Electronics andNanotechnology (ELNANO), 2016.
Y. Alemán-Gómez, L. Melie-García and P. Valdés-Hernandez, "IBASPM: Toolbox for automatic parcellation of brain structures," in 12th Annual Meeting of the Organization for Human Brain Mapping, 2006.
I. A. Illan, J. M. Górriz, J. Ramírez and A. Meyer-Base, "Spatial component analysis of MRI data for Alzheimer's disease diagnosis: a bayesian network approach," Frontiers in Computational Neuroscience, vol. 8:156, 2014.
A. R. Hidalgo-Muñoz, J. Ramírez, J. M. Górriz and P. Padilla, "Regions of interest computed by SVM wrapped method for Alzheimer's disease examination from segmented MRI," Frontiers in Aging Neuroscience, vol. 6, 2014.
