• 主题
高级搜索  >
历史搜索 清空历史
首页> 美国卫生研究院文献>other >Predictive models based on Support Vector Machines: whole-brain versus regional analysis of structural MRI in the Alzheimer’s disease
【2h】

Predictive models based on Support Vector Machines: whole-brain versus regional analysis of structural MRI in the Alzheimer’s disease

机译：基于支持向量机的预测模型：阿尔茨海默病中结构性MRI的全脑与区域分析

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Decision-making systems trained on structural Magnetic Resonance Imaging (MRI) data of subjects affected by the Alzheimer’s disease (AD) and healthy controls (CTRL) are becoming widespread prognostic tools for subjects with Mild Cognitive Impairment (MCI). This study compares the performance of three classification methods based on Support Vector Machines (SVMs), using as initial sets of brain voxels (i.e. features): 1) the segmented grey matter (GM); 2) regions of interest (ROIs) by voxel-wise t-test filtering; 3) parceled ROIs, according to prior knowledge. The recursive feature elimination (RFE) is applied in all cases in order to investigate whether feature reduction improves the classification accuracy. We analyzed more than 600 ADNI subjects, training the SVMs on the AD/CTRL dataset, and evaluating them on a trial MCI dataset. The classification performance, evaluated as the Area Under the Receiver Operating Characteristic (ROC) Curve (AUC), reaches AUC=(88.9±0.5)% in 20-fold cross-validation on the AD/CTRL dataset, when the GM is classified as a whole. The highest discrimination accuracy between MCI converters and non-converters is achieved when the SVM-RFE is applied to the whole GM: with AUC reaching (70.7±0.9)%, it outperforms both ROI-based approaches in predicting the AD conversion.
机译：对受阿尔茨海默氏病（AD）和健康对照（CTRL）影响的受试者的结构磁共振成像（MRI）数据进行训练的决策系统正在成为轻度认知障碍（MCI）受试者的广泛预后工具。这项研究比较了三种基于支持向量机（SVM）的分类方法的性能，这些方法使用了脑素（即特征）作为初始集：1）分段灰质（GM）; 2）通过体素t检验过滤感兴趣区域（ROI）； 3）根据先验知识分配的ROI。在所有情况下都应用递归特征消除（RFE），以研究特征缩减是否可以提高分类精度。我们分析了600多名ADNI受试者，在AD / CTRL数据集上训练SVM，并在试用MCI数据集上对其进行评估。当GM分类为时，在AD / CTRL数据集上的20倍交叉验证中，分类性能（按接收器工作特征曲线（ROC）曲线下面积（AUC）评估）达到AUC =（88.9±0.5）％。整个。当将SVM-RFE应用于整个GM时，可以实现MCI转换器和非转换器之间的最高区分精度：AUC达到（70.7±0.9）％，在预测AD转换方面优于两种基于ROI的方法。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号