Work

Differentiation of alzheimer's disease dementia, mild cognitive impairment and normal condition using PET-FDG and AV-45 imaging : a machine-learning approach

Year: 2013
Type: dissertation
Abstract: Nous avons utilisé l'imagerie TEP avec les traceurs F18-FDG et AV45 en conjonction avec les méthodes de classification du domaine du "Machine Learning". Les images ont été acquises en mode dynamique, une image toutes les 5 minutes. Les données ont été transformées par Analyse en Composantes Principales et Analyse en Composantes Indépendantes. Les images proviennent de trois sources différentes: la base de données ADNI (Alzheimer's Disease Neuroimaging Initiative) et deux protocoles réalisés au sein du centre TEP de l'hôpital Purpan. Pour évaluer la performance de la classification nous avons eu recours à la méthode de validation croisée LOOCV (Leave One Out Cross Validation). Nous donnons une comparaison entre les deux méthodes de classification les plus utilisées, SVM (Support Vector Machine) et les réseaux de neurones artificiels (ANN). La combinaison donnant le meilleur taux de classification semble être SVM et le traceur AV45. Cependant les confusions les plus importantes sont entre les patients MCI et les sujets normaux. Les patients Alzheimer se distinguent relativement mieux puisqu'ils sont retrouvés souvent à plus de 90%. Nous avons évalué la généralisation de telles méthodes de classification en réalisant l'apprentissage sur un ensemble de données et la classification sur un autre ensemble. Nous avons pu atteindre une spécificité de 100% et une sensibilité supérieure à 81%. La méthode SVM semble avoir une meilleure sensibilité que les réseaux de neurones. L'intérêt d'un tel travail est de pouvoir aider à terme au diagnostic de la maladie d'Alzheimer.
Author: Ayesha Anjum
Language: French
Field: Medicine
Open Access status: green
OpenAlex ID: W4935908
Cites: 221
Cited by:
Related to: 9