Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
A comparison of classification accuracy between MRI and PET datasets in computer aided diagnosis of Alzheimer's disease
KTH, School of Electrical Engineering and Computer Science (EECS).
KTH, School of Electrical Engineering and Computer Science (EECS).
2018 (English)Independent thesis Basic level (degree of Bachelor), 10 credits / 15 HE creditsStudent thesisAlternative title
En jämförelse av klassifieringssäkerhet mellan MRI- och PET-datamängder vid datorassisterad diagnostisering av Alzheimers sjukdom (Swedish)
Abstract [en]

The number of people suffering from Alzheimer’s disease (AD) is expected to increase rapidly in the coming years. Diagnosing the disease early is key to giving those affected a chance to maintain a higher quality of life. One of the most common ways to detect AD is to visually inspect scans of the patients’ brains. Computer aided diagnosis (CAD)can assist a physician’s judgement when searching for the disease in the brain scans, making the assessment more accurate. Progress has been made in this field throughout the years.

This paper compares the machine learning classification accuracy of AD on images from two different brain scanning procedures - Magnetic resonance imaging (MRI) and Positron emission tomography (PET). Both the MRI and PET datasets contained 60 images. 30 of the images were AD cases and 30 were normal cases in each of the datasets. The images were processed into 1-dimensional signals using Discrete wavelet transform (DWT). The classification accuracy of Support vector machine (SVM), Random forest (RF) and Naive Bayes (NB) was obtained and then evaluated using 6-fold cross validation (CV).

This study showed that PET images are more suitable than MR images for diagnosing AD using machine learning classifiers. The highest accuracy for PET and MRI from 6-fold CV was 100% and 90% respectively. The lowest accuracy was 60% for PET and 40% for MRI.

Abstract [sv]

 Antalet människor drabbade av Alzheimers sjukdom (AD) förväntas öka kraftigt de kommande åren. Att kunna diagnostisera sjukdomen tidigt är nyckeln till att ge dem insjukna en chans att leva ett liv av högre kvalitet. Ett av de vanligaste sätten att upptäcka AD är att visuellt undersöka bilder från hjärnskanningar av patienter. Datorassisterad diagnostisering (CAD) kan hjälpa en läkare i sitt omdöme vid undersökning för sjukdomen i hjärnbilderna, vilket ökar omdömets pålitlighet. Framsteg har gjorts inom området genom åren.

Den här studien undersöker bedömningssäkerheten av maskinlärningsmetoder i klassifiering av AD på bilder från två olika skanningsmetoder för hjärnan - Magnetisk resonanstomografi (MRI) och Positronemissionstomografi (PET). Både PET- och MRI-datamängderna innehöll 60 bilder. 30 av bilderna var AD-fall och 30 var normala fall i varje datamängd. Bilderna processerades till endimensionella signaler med Discrete wavelet transform (DWT). Klassifieringssäkerheten av Support vector machine (SVM), Random forest (RF) och Naive bayes (NB) framtogs och utvärderades därefter med 6-delad korsvalidering (CV).    

 Studien visade att PET-bilder är att föredra vid diagnostisering av AD med maskininlärningsklassifierare framför MR-bilder. Den högsta bedömningssäkerheten för PET och MRI utifrån 6-delad CV var 100 % och 90 % respektive. Den lägsta säkerheten var 60 % för PET and 40 % för MRI.

Place, publisher, year, edition, pages
2018. , p. 25
Series
TRITA-EECS-EX ; 2018:221
National Category
Computer Sciences
Identifiers
URN: urn:nbn:se:kth:diva-229704OAI: oai:DiVA.org:kth-229704DiVA, id: diva2:1214150
Educational program
Master of Science in Engineering - Computer Science and Technology
Supervisors
Examiners
Available from: 2018-08-03 Created: 2018-06-05 Last updated: 2018-08-03Bibliographically approved

Open Access in DiVA

fulltext(1416 kB)10 downloads
File information
File name FULLTEXT01.pdfFile size 1416 kBChecksum SHA-512
244e701c0cec9a016f25849f39c57dbde79053dbb277f068c8d5840d621194cd90835383225871cdf1685c644d782561b2b379b818021848703ec64cd069921e
Type fulltextMimetype application/pdf

By organisation
School of Electrical Engineering and Computer Science (EECS)
Computer Sciences

Search outside of DiVA

GoogleGoogle Scholar
Total: 10 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 7 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf