DLUHOŠ, Petr, Daniel SCHWARZ a Tomáš KAŠPÁREK. Wavelet Features for Recognition of First Episode of Schizophrenia from MRI Brain Images. Radioengineering, SPOLECNOST PRO RADIOELEKTRONICKE INZENYRSTVI, 2014, roč. 23, č. 1, s. 274-281. ISSN 1210-2512.
Další formáty:   BibTeX LaTeX RIS
Základní údaje
Originální název Wavelet Features for Recognition of First Episode of Schizophrenia from MRI Brain Images
Autoři DLUHOŠ, Petr (203 Česká republika, domácí), Daniel SCHWARZ (203 Česká republika, garant, domácí) a Tomáš KAŠPÁREK (203 Česká republika, domácí).
Vydání Radioengineering, SPOLECNOST PRO RADIOELEKTRONICKE INZENYRSTVI, 2014, 1210-2512.
Další údaje
Originální jazyk angličtina
Typ výsledku Článek v odborném periodiku
Obor 30000 3. Medical and Health Sciences
Stát vydavatele Česká republika
Utajení není předmětem státního či obchodního tajemství
WWW URL
Impakt faktor Impact factor: 0.653
Kód RIV RIV/00216224:14110/14:00075409
Organizační jednotka Lékařská fakulta
UT WoS 000334729400033
Klíčová slova anglicky schizophrenia; machine learning; neuroimaging; classification; wavelet transform; MRI
Štítky EL OK, podil
Příznaky Mezinárodní význam, Recenzováno
Změnil Změnila: Ing. Mgr. Věra Pospíšilíková, učo 9005. Změněno: 24. 9. 2014 11:01.
Anotace
Machine learning methods are increasingly used in various fields of medicine, contributing to early diagnosis and better quality of care. These outputs are particularly desirable in case of neuropsychiatric disorders, such as schizophrenia, due to the inherent potential for creating a new gold standard in the diagnosis and differentiation of particular disorders. This paper presents a scheme for automated classification from magnetic resonance images based on multiresolution representation in the wavelet domain. Implementation of the proposed algorithm, utilizing support vector machines classifier, is introduced and tested on a dataset containing 104 patients with first episode schizophrenia and healthy volunteers. Optimal parameters of different phases of the algorithm are sought and the quality of classification is estimated by robust cross validation techniques. Values of accuracy, sensitivity and specificity over 71% are achieved.
Návaznosti
ED3.2.00/08.0144, projekt VaVNázev: CERIT Scientific Cloud
NT13359, projekt VaVNázev: Pokročilé metody rozpoznávání MR obrazů mozku pro podporu diagnostiky neuropsychiatrických poruch
Investor: Ministerstvo zdravotnictví ČR, Resortní program výzkumu a vývoje - MZ III. na léta 2010 - 2015 (IGA)
Typ Název Vložil/a Vloženo Práva
EL_Schwarz_Wavelet_2.pdf  Pospíšilíková, V. 24. 9. 2014

Práva

Právo číst
  • osoba Soňa Böhmová, učo 232884
  • osoba Olga Křížová, učo 56639
Právo vkládat
 
Právo spravovat
  • osoba Ing. Mgr. Věra Pospíšilíková, učo 9005
Atributy
 
Vytisknout
Požádat autora o autorský výtisk Zobrazeno: 10. 4. 2020 09:01