Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse
  1. Datensatz Übersicht / 
  2. Datensatz ansehen

Datensatz

DATENSATZ AKTIONENEXPORT
Zur Ablage hinzufügen
 Lokale TagsFreigabegeschichteDetailsÜbersicht
  Integration of Automated Brain MRI Segmentation and Longitudinal Atrophy Analysis Generalizes In Forecasting Progression from Mild Cognitive Impairment to Alzheimer’s Disease

Steiglechner, J., Bender, B., Lohmann, G., Scheffler, K., Ernemann, U., & Lindig, T. (2023). Integration of Automated Brain MRI Segmentation and Longitudinal Atrophy Analysis Generalizes In Forecasting Progression from Mild Cognitive Impairment to Alzheimer’s Disease. Clinical Neuroradiology, 33(Supplement 1): 321, S78-S79.

Item is

 

einblenden: alle ausblenden: alle

Basisdaten

einblenden: ausblenden:
Datensatz-Permalink: https://hdl.handle.net/21.11116/0000-000D-D83E-B Versions-Permalink: https://hdl.handle.net/21.11116/0000-000F-4250-C
Genre: Meeting Abstract

Externe Referenzen

einblenden:
ausblenden:
externe Referenz:
https://link.springer.com/content/pdf/10.1007/s00062-023-01336-5 (Verlagsversion)
Beschreibung:
-
OA-Status:
Keine Angabe

Urheber

einblenden:
ausblenden:
 Urheber:
Steiglechner, J1, Autor           
Bender, B, Autor                 
Lohmann, G1, Autor                 
Scheffler, K1, Autor                 
Ernemann, U, Autor
Lindig, T2, Autor                 
Affiliations:
1Department High-Field Magnetic Resonance, Max Planck Institute for Biological Cybernetics, Max Planck Society, ou_1497796              
2Institutional Guests, Max Planck Institute for Biological Cybernetics, Max Planck Society, ou_3505519              

Inhalt

einblenden:
ausblenden:
Schlagwörter: -
 Zusammenfassung: Background: Predicting progression from mild cognitive impairment ( MCI) to Alzheimer’s disease (AD) is critical for early intervention. This study aims to combine brain magnetic resonance image (MRI) segmentation and longitudinal changes to develop a generalized ac- curate classifier for progressive MCI (pMCI) vs. stable MCI (sMCI). Methods: First, our framework (Figure) is based on a segmentation model out of clinical practice [AIRAmed] for 3D T1w high-field MRI that provides labels for 30 anatomical regions. Second, we compare by age and sex with a reference cohort of TIV-adjusted volume meas- ures to generate z-statistics. Third, we propose a time scaled quanti- fication of atrophy rates. The combination of z-statistics and atrophy rates serves as input to a classifier. An 80:20 train-test-partition of the Alzheimer’s Disease National Initiative (ADNI) is used to train a logis- tic regression to discriminate pMCI from sMCI.

Details

einblenden:
ausblenden:
Sprache(n):
 Datum: 2023-09
 Publikationsstatus: Erschienen
 Seiten: -
 Ort, Verlag, Ausgabe: -
 Inhaltsverzeichnis: -
 Art der Begutachtung: -
 Identifikatoren: DOI: 10.1007/s00062-023-01336-5
 Art des Abschluß: -

Veranstaltung

einblenden:
ausblenden:
Titel: 58. Jahrestagung der Deutschen Gesellschaft für Neuroradiologie e.V. und 30. Jahrestagung der Österreichischen Gesellschaft für Neuroradiologie e.V. (NEURORAD 2023)
Veranstaltungsort: Kassel, Germany
Start-/Enddatum: 2023-10-04 - 2023-10-06

Entscheidung

einblenden:

Projektinformation

einblenden:

Quelle 1

einblenden:
ausblenden:
Titel: Clinical Neuroradiology
Genre der Quelle: Zeitschrift
 Urheber:
Affiliations:
Ort, Verlag, Ausgabe: Springer
Seiten: - Band / Heft: 33 (Supplement 1) Artikelnummer: 321 Start- / Endseite: S78 - S79 Identifikator: ISSN: 0939-7116