پیش بینی هیدروسفالی با استفاده از جنگلهای تصادفی
ترجمه نشده

پیش بینی هیدروسفالی با استفاده از جنگلهای تصادفی

عنوان فارسی مقاله: مقایسه پارامترهای ریخت سنجی در پیش بینی هیدروسفالی با استفاده از جنگلهای تصادفی
عنوان انگلیسی مقاله: Comparison of morphometric parameters in prediction of hydrocephalus using random forests
مجله/کنفرانس: کامپیوترها در زیست شناسی و پزشکی - Computers In Biology And Medicine
رشته های تحصیلی مرتبط: پزشکی، کامپیوتر
گرایش های تحصیلی مرتبط: مغز و اعصاب، مهندسی نرم افزار، برنامه نویسی کامپیوتر
کلمات کلیدی فارسی: هیدروسفالی، پارامترهای مورفولوژیکی، اهمیت ویژگی، تجزیه و تحلیل نیمه خودکار
کلمات کلیدی انگلیسی: Hydrocephalus، Morphological parameters، Feature importance، Semi-automatic analysis
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: Scopus - Master Journals List - JCR - MedLine
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.compbiomed.2019.103547
دانشگاه: Department of Biomedical Engineering, Ankara University, Golbasi, Ankara, Turkey
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2020
ایمپکت فاکتور: 5/627 در سال 2019
شاخص H_index: 100 در سال 2020
شاخص SJR: 1/260 در سال 2019
شناسه ISSN: 0010-4825
شاخص Quartile (چارک): Q1 در سال 2019
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 14
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
کد محصول: E14694
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست انگلیسی مطالب

Abstract


1- Introduction


2- Methodology


3- Experiments and results


4- Discussion


5- Conclusion and future work


References

نمونه متن انگلیسی مقاله

Abstract


Ventricles of the human brain enlarge with aging, neurodegenerative diseases, intrinsic, and extrinsic pathologies. The morphometric examination of neuroimages is an effective approach to assess structural changes occurring due to diseases such as hydrocephalus. In this study, we explored the effectiveness of commonly used morphological parameters in hydrocephalus diagnosis. For this purpose, the effect of six common morphometric parameters; Frontal Horns' Length (FHL), Maximum Lateral Length (MLL), Biparietal Diameter (BPD), Evans' Ratio (ER), Cella Media Ratio (CMR), and Frontal Horns’ Ratio (FHR) were compared in terms of their importance in predicting hydrocephalus using a Random Forest classifier. The experimental results demonstrated that hydrocephalus can be detected with 91.46 % accuracy using all of these measurements. The accuracy of classification using only CMR and FHL reached up to 93.33 %. In terms of individual performances, CMR and FHL were the top performers whereas BPD and FHR did not contribute as much to the overall accuracy.


Introduction


Brain ventricles are dilated with the accumulation of excessive cerebrospinal fluid which leads to a condition known as hydrocephalus. Hydrocephalus affects a wide range of people, from infants to elderly adults. Generally, the ventricular enlargement is measured using parameters derived from the dimensions of the ventricles instead of their actual volumes. Different morphological parameters are used in the literature for the diagnosis of hydrocephalus such as Bicaudate Ratio (BCR), Bifrontal Index (BFI), Bioccipital Index (BOI), Biparietal Diameter (BPD), Cella Media Ratio (CMR), Evans’ Ratio (ER), Minimum Lateral Length (MLL), Third Ventricle Width (TVW), Third Ventricle Sylvian Fissure Ratio Index (TSFI), and Third Ventricle Ratio (TVR) [1, 2]. These parameters are useful not only for the diagnosis and classification of hydrocephalus but also for the follow-up and evaluation of the expansion of the ventricular system after operations such as ventricular shunts [3, 4]. Diagnostic methods for hydrocephalus involve a mixture of clinical and imaging approaches. Accurate and effective evaluation of many CSF-related diseases, especially hydrocephalus, can be performed much faster using new sequences and techniques developed in parallel with the progress in MRI technology. MRI is mostly preferred over CT since it may provide better detail of the borders of ventricles [5, 6]. MRI is helpful in the diagnosis of hydrocephalus and helps in the management and postoperative follow-up of the patients [7, 8]. In this paper, we aim to compare the performances of the above-mentioned parameters in hydrocephalus detection. For this purpose, we trained a random forest classifier to predict hydrocephalus and measure the importance of each parameter. To our knowledge, there is no other study in the literature that compares the performance of these parameters.

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

پیش بینی هیدروسفالی با استفاده از جنگلهای تصادفی
نوشته های مرتبط
مقالات جدید
پیوندها