Machine learning for filtering out false positive grey matter atrophies in single subject voxel based morphometry : a simulation based study / Hernán C.Külsgaarda ; José I.Orlando ; Mariana Bendersky ; Juan P.Princich ; Luis S.R.Manzanera ; Alberto Vargas ; Silvia Kochen ; Ignacio Larrabide .

By: Külsgaard, Hernán CContributor(s): Orlando, José I | Bendersky, Mariana | Princich, Juan P | Manzanera, Luis S.R | Vargas, Alberto | Kochen, Silvia | Larrabide, IgnacioPublication details: Londres : WFN , 2020ISSN: 0022-510XSubject(s): NEUROIMAGEN | APRENDIZAJE AUTOMÁTICO | REACCIONES FALSO POSITIVAS | IMAGEN POR RESONANCIA MAGNÉTICA | ENFERMEDADES DEL SISTEMA NERVIOSOOnline resources: Para solicitar artículos de esta revista, debe ingresar al portal de la Biblioteca Electrónica de Ciencia y Tecnología(BECYT) o contactarte a infobiblioteca@unaj.edu.ar In: Journal of the neurological sciencesSummary: VBM de un solo sujeto (SS-VBM), se ha utilizado como una herramienta alternativa al VBM estándar para estudios de casos individuales. Sin embargo, tiene la desventaja de producir un número excesivamente grande de detecciones de falsos positivos. En este estudio proponemos una técnica de aprendizaje automático ampliamente utilizada para la clasificación automatizada de datos, a saber, Support Vector Machine (SVM), para refinar los hallazgos producidos por SS-VBM. Se llevó a cabo un conjunto controlado de experimentos para evaluar el enfoque propuesto utilizando exploraciones de resonancia magnética T1 tridimensionales de sujetos de control recopilados del conjunto de datos IXI disponible públicamente. Las exploraciones se atrofiaron artificialmente en diferentes lugares y con diferentes tamaños para imitar el comportamiento de los trastornos neurológicos. Los resultados demostraron empíricamente que el método propuesto es capaz de reducir significativamente la cantidad de grupos de falsos positivos (p  <0.05), sin diferencias estadísticas en los verdaderos resultados positivos ( p  > 0.05). Se observó que esta evidencia era consistente para diferentes áreas atrofiadas y tamaños de atrofias. Este enfoque podría potencialmente aplicarse para aliviar el análisis manual intensivo que los radiólogos y médicos tienen que realizar para filtrar las detecciones erróneas de SS-VBM, aumentando su usabilidad para la lectura de imágenes.
Item type: Analí­tica
Tags from this library: No tags from this library for this title.
    Average rating: 0.0 (0 votes)
Current library Collection Call number URL Status Date due Barcode
Biblioteca Central

Av.Calchaquí 6200 2do. piso Ed.Mosconi

Florencio Varela

Te.42756192.

biblioteca@unaj.edu.ar

Revistas En línea (Browse shelf (Opens below)) Link to resource Acceso vía BECYT

VBM de un solo sujeto (SS-VBM), se ha utilizado como una herramienta alternativa al VBM estándar para estudios de casos individuales. Sin embargo, tiene la desventaja de producir un número excesivamente grande de detecciones de falsos positivos. En este estudio proponemos una técnica de aprendizaje automático ampliamente utilizada para la clasificación automatizada de datos, a saber, Support Vector Machine (SVM), para refinar los hallazgos producidos por SS-VBM. Se llevó a cabo un conjunto controlado de experimentos para evaluar el enfoque propuesto utilizando exploraciones de resonancia magnética T1 tridimensionales de sujetos de control recopilados del conjunto de datos IXI disponible públicamente. Las exploraciones se atrofiaron artificialmente en diferentes lugares y con diferentes tamaños para imitar el comportamiento de los trastornos neurológicos. Los resultados demostraron empíricamente que el método propuesto es capaz de reducir significativamente la cantidad de grupos de falsos positivos (p  <0.05), sin diferencias estadísticas en los verdaderos resultados positivos ( p  > 0.05). Se observó que esta evidencia era consistente para diferentes áreas atrofiadas y tamaños de atrofias. Este enfoque podría potencialmente aplicarse para aliviar el análisis manual intensivo que los radiólogos y médicos tienen que realizar para filtrar las detecciones erróneas de SS-VBM, aumentando su usabilidad para la lectura de imágenes.

There are no comments on this title.

to post a comment.

Click on an image to view it in the image viewer

© Universidad Nacional Arturo Jauretche | Centro de Política Educativa | Biblioteca Central UNAJ
Av.Calchaqui 6220 CP 1880. Florencio Varela, Buenos Aires, Argentina.

Powered by Koha