Brain Image Classification Based on Automated Morphometry and Penalised Linear Discriminant Analysis with Resampling

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14110%2F15%3A00088877" target="_blank" >RIV/00216224:14110/15:00088877 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.15439/2015F147" target="_blank" >http://dx.doi.org/10.15439/2015F147</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.15439/2015F147" target="_blank" >10.15439/2015F147</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Brain Image Classification Based on Automated Morphometry and Penalised Linear Discriminant Analysis with Resampling

Popis výsledku v původním jazyce

This paper presents a new data-driven classification pipeline for discriminating two groups of individuals based on the medical images of their brain. The algorithm combines deformation-based morphometry and penalised linear discriminant analysis with resampling. The method is based on sparse representation of the original brain images using deformation logarithms reflecting the differences in the brain in comparison to the normal template anatomy. The sparse data enables efficient data reduction and classification via the penalised linear discriminant analysis with resampling. The classification accuracy obtained in an experiment with magnetic resonance brain images of first episode schizophrenia patients and healthy controls is comparable to the related state-of-the-art studies.

Název v anglickém jazyce

Brain Image Classification Based on Automated Morphometry and Penalised Linear Discriminant Analysis with Resampling

Popis výsledku anglicky

This paper presents a new data-driven classification pipeline for discriminating two groups of individuals based on the medical images of their brain. The algorithm combines deformation-based morphometry and penalised linear discriminant analysis with resampling. The method is based on sparse representation of the original brain images using deformation logarithms reflecting the differences in the brain in comparison to the normal template anatomy. The sparse data enables efficient data reduction and classification via the penalised linear discriminant analysis with resampling. The classification accuracy obtained in an experiment with magnetic resonance brain images of first episode schizophrenia patients and healthy controls is comparable to the related state-of-the-art studies.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

<a href="/cs/project/NT13359" target="_blank" >NT13359: Pokročilé metody rozpoznávání MR obrazů mozku pro podporu diagnostiky neuropsychiatrických poruch</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2015

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of the 2015 Federated Conference on Computer Science and Information Systems

ISBN

9788360810668

ISSN

2300-5963

e-ISSN

—

Počet stran výsledku

6

Strana od-do

263-268

Název nakladatele

Polskie Towarzystwo Informatyczne, IEEE

Místo vydání

Warsaw, Los Alamitos

Místo konání akce

Łódź

Datum konání akce

13. 9. 2015

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000376494300031