GENETIC ALGORITHM-BASED DECISION TREE OPTIMIZATION FOR DETECTION OF DEMENTIA THROUGH MRI ANALYSIS

Govada Anuradha; Harini Davu; Muthyalanaidu Karri

doi:10.35784/iapgos.5775

Open full text

PDF (English)

Opublikowane: mar 31, 2024

DOI: https://doi.org/10.35784/iapgos.5775

Numer Tom 14 Nr 1 (2024)

Artykuły

JESZCZE O CAŁKOWANIU LOGARYTMICZNYCH OSOBLIWOŚCI W METODZIE ELEMENTÓW BRZEGOWYCH
Tomasz Rymarczyk, Jan Sikora

5-10
RÓWNANIA POLA ELEKTROMAGNETYCZNEGO W ŚRODOWISKU NIELINIOWYM
Viktor Lyshuk, Vasyl Tchaban, Anatolii Tkachuk, Valentyn Zablotskyi, Yosyp Selepyna

11-16
OPTYCZNE ZMNIEJSZANIE WIDOCZNOŚCI POLA PLAMKOWEGO POPRZEZ REDUKCJĘ SPÓJNOŚCI CZASOWEJ
Mikhaylo Vasnetsov, Valeriy Voytsekhovich, Vladislav Ponevchinsky, Nataliia Kachalova, Alina Khodko, Oleksanr Mamuta, Volodymyr Pavlov, Vadym Khomenko, Natalia Manicheva

17-20
WSKAŹNIKI JAKOŚCI DO WYKRYWANIA SYGNAŁÓW PROMIENIOWANIA BOCZNEGO Z EKRANÓW MONITORÓW PRZEZ WYSPECJALIZOWANE ŚRODKI TECHNICZNE WYWIADU WROGA
Dmytro Yevgrafov, Yurii Yaremchuk

21-26
WPŁYW UDERZENIA PIORUNA NA HYBRYDOWĄ LINIĘ WYSOKIEGO NAPIĘCIA NAPOWIETRZNA LINIA PRZESYŁOWA – IZOLOWANA LINIA GAZOWA
Samira Boumous, Zouhir Boumous, Yacine Djeghader

27-31
EFEKTYWNOŚĆ ENERGETYCZNA PANELI FOTOWOLTAICZNYCH W ZALEŻNOŚCI OD ROZDZIELCZOŚCI KROKU ŚLEDZENIA UKŁADU NADĄŻNEGO
Kamil Płachta

32-36
CYFROWA REKONSTRUKCJA OBRAZÓW Z WYKORZYSTANIEM ALGORYTMU SURF
Shanmukhaprasanthi Tammineni, Swaraiya Madhuri Rayavarapu, Sasibhushana Rao Gottapu, Raj Kumar Goswami

37-40
PODEJŚCIE TENSOROWE I WEKTOROWE DO ROZPOZNAWANIA OBIEKTÓW ZA POMOCĄ FILTRÓW CECH ODWROTNYCH
Roman Kvуetnyy, Yuriy Bunyak, Olga Sofina, Volodymyr Kotsiubynskyi, Tetiana Piliavoz, Olena Stoliarenko, Saule Kumargazhanova

41-45
ARCHITEKTONICZNE, STRUKTURALNE I FUNKCJONALNE CECHY RÓWNOLEGŁO-HIERARCHICZNEJ ORGANIZACJI PAMIĘCI
Leonid Timchenko, Natalia Kokriatska, Volodymyr Tverdomed, Iryna Yepifanova, Yurii Didenko, Dmytro Zhuk, Maksym Kozyr, Iryna Shakhina

46-52
SYMULACJA I MODELOWANIE KOMPUTEROWE DYNAMIKI KONSTRUKCJI MOSTÓW Z WYKORZYSTANIEM ANSYS
Anzhelika Stakhova, Adrián Bekö

53-56
POPRAWA ZDROWIA UPRAW DZIĘKI CYFROWEMU BLIŹNIAKOWI DO MONITOROWANIA CHORÓB I RÓWNOWAGI SKŁADNIKÓW ODŻYWCZYCH
Sobhana Mummaneni, Tribhuvana Sree Sappa, Venkata Gayathri Devi Katakam

57-62
PRZEGLĄD PODEJŚĆ DO MODELOWANIA PRZEWIDYWAŃ ZWIĄZANYCH Z WITRYNAMI INTERNETOWYMI
Patryk Mauer

63-66
TWORZENIE WYSOCE WYSPECJALIZOWANYCH CHATBOTÓW DO ZAAWANSOWANEGO WYSZUKIWANIA
Andrii Yarovyi, Dmytro Kudriavtsev

67-70
METODA OBLICZANIA WSKAŹNIKA BEZPIECZEŃSTWA INFORMACJI W MEDIACH SPOŁECZNOŚCIOWYCH Z UWZGLĘDNIENIEM DŁUGOŚCI ŚCIEŻKI MIĘDZY KLIENTAMI
Volodymyr Akhramovych, Yuriy Pepa, Anton Zahynei, Vadym Akhramovych, Taras Dzyuba, Ihor Danylov

71-77
DOPASOWANIE ZGODNOŚCI W MODELACH 3D DLA DOPASOWANIA DŁONI 3D
Maksym Tymkovych, Oleg Avrunin, Karina Selivanova, Alona Kolomiiets, Taras Bednarchyk, Saule Smailova

78-82
OPTYMALIZACJA DRZEWA DECYZYJNEGO OPARTA NA ALGORYTMIE GENETYCZNYM DO WYKRYWANIA DEMENCJI POPRZEZ ANALIZĘ MRI
Govada Anuradha, Harini Davu, Muthyalanaidu Karri

83-89
MEDYCZNY ROZMYTY SYSTEM EKSPERCKI DO PRZEWIDYWANIA STOPNIA WSZCZEPIENIA IMPLANTÓW DENTYSTYCZNYCH U PACJENTÓW Z PRZEWLEKŁĄ CHOROBĄ WĄTROBY
Vitaliy Polishchuk, Sergii Pavlov, Sergii Polishchuk, Sergii Shuvalov, Andriy Dalishchuk, Natalia Sachaniuk-Kavets’ka, Kuralay Mukhsina, Abilkaiyr Nazerke

90-94
POMIAR TEMPERATURY POWIERZCHNI KORZENIA PODCZAS OBTURACJI KANAŁÓW KORZENIOWYCH
Les Hotra, Oksana Boyko, Igor Helzhynskyy, Hryhorii Barylo, Pylyp Skoropad, Alla Ivanyshyn, Olena Basalkevych

95-98
OCENA WYDAJNOŚCI OBRAZÓW TERMOGRAFICZNYCH DO PRZEWIDYWANIA STOPNIA GUZA PIERSI PRZY UŻYCIU DCNN
Zakaryae Khomsi, Mohamed El Fezazi, Achraf Elouerghi, Larbi Bellarbi

99-104
KOMPLEKSOWE BADANIE: WYKRYWANIE TĘTNIAKA WEWNĄTRZCZASZKOWEGO ZA POMOCĄ HYBRYDOWEGO GŁĘBOKIEGO UCZENIA SIĘ VGG16-DENSENET NA OBRAZACH DSA
Sobhana Mummaneni, Sasi Tilak Ravi, Jashwanth Bodedla, Sree Ram Vemulapalli, Gnana Sri Kowsik Varma Jagathapurao

105-110
DEFORMACJE MASY GLEBY POD DZIAŁANIEM CZYNNIKÓW CZŁOWIEKA
Mykola Kuzlo, Viktor Moshynskyi, Nataliia Zhukovska, Viktor Zhukovskyy

111-114
OBLICZANIE PRZEPŁYWÓW PRACY BEZ PRZEPŁYWÓW PRACY: PODSTAWOWY ALGORYTM DYNAMICZNEGO KONSTRUOWANIA I PRZESZUKIWANIA NIEJAWNEGO SKIEROWANEGO GRAFU ACYKLICZNEGO W ŚRODOWISKU NIEDETERMINISTYCZNYM
Fedir Smilianets, Oleksii Finogenov

115-118
INTELIGENTNA ANALIZA DANYCH NA PLATFORMIE ANALITYCZNEJ
Dauren Darkenbayev, Arshyn Altybay, Zhaidargul Darkenbayeva, Nurbapa Mekebayev

119-122

Archiwum

2025

Tom 15 Nr 3
2025-09-30 24
Tom 15 Nr 2
2025-06-27 24
Tom 15 Nr 1
2025-03-31 26

2024

Tom 14 Nr 4
2024-12-21 25
Tom 14 Nr 3
2024-09-30 24
Tom 14 Nr 2
2024-06-30 24
Tom 14 Nr 1
2024-03-31 23

2023

Tom 13 Nr 4
2023-12-20 24
Tom 13 Nr 3
2023-09-30 25
Tom 13 Nr 2
2023-06-30 14
Tom 13 Nr 1
2023-03-31 12

2022

Tom 12 Nr 4
2022-12-30 16
Tom 12 Nr 3
2022-09-30 15
Tom 12 Nr 2
2022-06-30 16
Tom 12 Nr 1
2022-03-31 9

2020

Tom 10 Nr 4
2020-12-20 16
Tom 10 Nr 3
2020-09-30 22
Tom 10 Nr 2
2020-06-30 16
Tom 10 Nr 1
2020-03-30 19

DOI

https://doi.org/10.35784/iapgos.5775

Authors

Govada Anuradha

ganuradha@vrsiddhartha.ac.in

Velagapudi Ramakrishna Siddhartha Engineering College, Department of Computer Science and Engineering, Indie

https://orcid.org/0000-0002-0999-0376

Harini Davu

davuharini@gmail.com

Velagapudi Ramakrishna Siddhartha Engineering College, Department of Computer Science and Engineering, Indie

https://orcid.org/0009-0008-6187-1797

Muthyalanaidu Karri

karrimuthyalanaidu3802@gmail.com

Velagapudi Ramakrishna Siddhartha Engineering College, Department of Computer Science and Engineering, Indie

https://orcid.org/0009-0006-5850-3761

Abstrakt

Demencja jest wyniszczającym zaburzeniem neurologicznym, które dotyka miliony ludzi na całym świecie, powodując postępujący spadek funkcji poznawczych i codziennych czynności życiowych. Wczesne i precyzyjne wykrywanie demencji ma kluczowe znaczenie dla optymalnej terapii i zarządzania demencją, jednak diagnoza demencji jest często trudna ze względu na złożoność choroby i szeroki zakres objawów, które mogą wykazywać pacjenci. Podejścia oparte na uczeniu maszynowym stają się coraz bardziej powszechne w dziedzinie przetwarzania obrazu, szczególnie w zakresie przewidywania chorób. Algorytmy te mogą nauczyć się rozpoznawać charakterystyczne cechy i wzorce, które sugerują określone choroby, analizując obrazy z wielu modalności obrazowania medycznego. Niniejszy artykuł ma na celu opracowanie i optymalizację algorytmu drzewa decyzyjnego do wykrywania demencji przy użyciu zbioru danych OASIS, który obejmuje duży zbiór obrazów MRI i powiązanych danych klinicznych. Podejście to obejmuje wykorzystanie algorytmu genetycznego do optymalizacji modelu drzewa decyzyjnego w celu uzyskania maksymalnej dokładności i skuteczności. Ostatecznym celem artykułu jest opracowanie skutecznego, nieinwazyjnego narzędzia diagnostycznego do wczesnego i dokładnego wykrywania demencji. Zaproponowane drzewo decyzyjne oparte na GA wykazuje wysoką wydajność w porównaniu z alternatywnymi modelami, szczycąc się imponującym współczynnikiem dokładności wynoszącym 96,67% zgodnie z wynikami eksperymentalnymi.

Słowa kluczowe:

demencja, algorytm genetyczny, drzewo decyzyjne

Bibliografia

Abdollahi J., Nouri-Moghaddam B.: Hybrid stacked ensemble combined with genetic algorithms for diabetes prediction. Iran Journal of Computer Science 5(3), 2022, 205–220. DOI: https://doi.org/10.1007/s42044-022-00100-1

Adeli H., Ghosh-Dastidar S., Dadmehr N.: Alzheimer's disease and models of computation: Imaging, classification, and neural models. Journal of Alzheimer's Disease 7(3), 2005, 187–199. DOI: https://doi.org/10.3233/JAD-2005-7301

Al-Badarneh A., Najadat H., Alraziqi A.: Brain Images Classifier: A Hybrid Approach Using Decision Trees and Genetic Algorithms. JINT 7(2), 2016.

Aminizadeh S. et al.: The applications of machine learning techniques in medical data processing based on distributed computing and the Internet of Things. Computer methods and programs in biomedicine 241, 2023, 107745. DOI: https://doi.org/10.1016/j.cmpb.2023.107745

Angelillo M. T. et al.: Attentional pattern classification for automatic dementia detection. IEEE Access 7, 2019, 57706–57716. DOI: https://doi.org/10.1109/ACCESS.2019.2913685

Azad R. et al.: Medical image segmentation on MRI images with missing modalities: a review [http://arxiv.org/abs/2203.06217].

Bansal D. et al.: Comparative analysis of various machine learning algorithms for detecting dementia. Procedia computer science 132, 2018, 1497–1502. DOI: https://doi.org/10.1016/j.procs.2018.05.102

Basheer S., Bhatia S., Sakri S. B.: Computational modeling of dementia prediction using deep neural network: analysis on OASIS dataset. IEEE access 9, 2021, 42449–42462. DOI: https://doi.org/10.1109/ACCESS.2021.3066213

Biswal A.: What Is Principal Component Analysis? Simplilearn.com [www.simplilearn.com/tutorials/machine-learning-tutorial/principal-component-analysis] (avaible 7.11.2023).

Bukhari S. N. H., Webber J., Mehbodniya A.: Decision tree based ensemble machine learning model for the prediction of Zika virus T-cell epitopes as potential vaccine candidates. Scientific Reports 12(1), 2022, 7810. DOI: https://doi.org/10.1038/s41598-022-11731-6

Deng W. et al.: An enhanced fast non-dominated solution sorting genetic algorithm for multi-objective problems. Information Sciences 585, 2022, 441–453. DOI: https://doi.org/10.1016/j.ins.2021.11.052

Dhiman G. et al.: A novel machine-learning-based hybrid CNN model for tumor identification in medical image processing. Sustainability 14(3), 2022, 1447. DOI: https://doi.org/10.3390/su14031447

Díaz-Álvarez J. et al.: Genetic algorithms for optimized diagnosis of Alzheimer’s disease and Frontotemporal dementia using Fluorodeoxyglucose positron emission tomography imaging. Frontiers in aging neuroscience 13, 2022, 983. DOI: https://doi.org/10.3389/fnagi.2021.708932

Drouka A. et al.: Dietary and nutrient patterns and brain MRI biomarkers in dementia-free adults. Nutrients 14(11), 2022, 2345. DOI: https://doi.org/10.3390/nu14112345

Elhazmi A. et al.: Machine learning decision tree algorithm role for predicting mortality in critically ill adult COVID-19 patients admitted to the ICU. Journal of infection and public health 15(7), 2022, 826–834. DOI: https://doi.org/10.1016/j.jiph.2022.06.008

Elyan E. et al.: Computer vision and machine learning for medical image analysis: recent advances, challenges, and way forward. Artificial Intelligence Surgery 2, 2022. DOI: https://doi.org/10.20517/ais.2021.15

Emam M. M., Houssein E. H., Ghoniem R. M.: A modified reptile search algorithm for global optimization and image segmentation: Case study brain MRI images. Computers in Biology and Medicine 152, 2023, 106404. DOI: https://doi.org/10.1016/j.compbiomed.2022.106404

Fang L., Wang X.: Brain tumor segmentation based on the dual-path network of multi-modal MRI images. Pattern Recognition 124, 2022, 108434. DOI: https://doi.org/10.1016/j.patcog.2021.108434

García-Gutierrez F. et al.: GA-MADRID: Design and validation of a machine learning tool for the diagnosis of Alzheimer’s disease and frontotemporal dementia using genetic algorithms. Medical & Biological Engineering & Computing 60(9), 2022, 2737–2756. DOI: https://doi.org/10.1007/s11517-022-02630-z

Gorji H. T., Haddadnia J.: A novel method for early diagnosis of Alzheimer’s disease based on pseudo Zernike moment from structural MRI. Neuroscience 305, 2015, 361–371. DOI: https://doi.org/10.1016/j.neuroscience.2015.08.013

Haug C. J., Drazen J. M.: Artificial intelligence and machine learning in clinical medicine. New England Journal of Medicine 388(13), 2023, 1201–1208. DOI: https://doi.org/10.1056/NEJMra2302038

Javeed A. et al.: Machine Learning for Dementia Prediction: A Systematic Review and Future Research Directions. Journal of Medical Systems 47(1), 2023, 17. DOI: https://doi.org/10.1007/s10916-023-01906-7

Leocadi M. et al.: Awareness impairment in Alzheimer’s disease and fronto-temporal dementia: a systematic MRI review. Journal of Neurology 270(4), 2023, 1880–1907. DOI: https://doi.org/10.1007/s00415-022-11518-9

Liang X. et al.: Evaluating voice-assistant commands for dementia detection. Computer Speech & Language 72, 2022, 101297. DOI: https://doi.org/10.1016/j.csl.2021.101297

Li R. et al.: Applications of artificial intelligence to aid early detection of dementia: a scoping review on current capabilities and future directions. Journal of biomedical informatics 127, 2022, 104030. DOI: https://doi.org/10.1016/j.jbi.2022.104030

Liu H. et al.: NeuroCrossover: An intelligent genetic locus selection scheme for genetic algorithm using reinforcement learning. Applied Soft Computing 146, 2023, 110680. DOI: https://doi.org/10.1016/j.asoc.2023.110680

Miled Z. B. et al.: Feature engineering from medical notes: A case study of dementia detection. Heliyon 9(3), 2023. DOI: https://doi.org/10.1016/j.heliyon.2023.e14636

Mirheidari B. et al.: Dementia detection using automatic analysis of conversations. Computer Speech & Language 53, 2019, 65–79. DOI: https://doi.org/10.1016/j.csl.2018.07.006

Mirzaei G., Adeli H.: Machine learning techniques for diagnosis of Alzheimer disease, mild cognitive disorder, and other types of dementia. Biomedical Signal Processing and Control 72, 2022, 103293. DOI: https://doi.org/10.1016/j.bspc.2021.103293

Marcus D. S. et al.: Open access series of imaging studies: longitudinal MRI data in nondemented and demented older adults. Journal of Cognitive Neuroscience 22(12), 2010, 2677–2684. DOI: https://doi.org/10.1162/jocn.2009.21407

Nori V. S. et al.: Machine learning models to predict onset of dementia: a label learning approach. Alzheimer's & Dementia: Translational Research & Clinical Interventions 5, 2019, 918–925. DOI: https://doi.org/10.1016/j.trci.2019.10.006

Nowroozpoor A. et al.: Detecting cognitive impairment and dementia in the emergency department: a scoping review. Journal of the American Medical Directors Association 23(8), 2022, 1314–1315.

Perovnik M. et al.: Automated differential diagnosis of dementia syndromes using FDG PET and machine learning. Frontiers in Aging Neuroscience 14, 2022, 1005731. DOI: https://doi.org/10.3389/fnagi.2022.1005731

Ramos D. et al.: Using decision tree to select forecasting algorithms in distinct electricity consumption context of an office building. Energy Reports 8, 2022, 417–422. DOI: https://doi.org/10.1016/j.egyr.2022.01.046

Shehab M. et al.: Machine learning in medical applications: A review of state-of-the-art methods. Computers in Biology and Medicine 145, 2022, 105458. DOI: https://doi.org/10.1016/j.compbiomed.2022.105458

So A. et al.: Early diagnosis of dementia from clinical data by machine learning techniques. Applied Sciences 7(7), 2017, 651. DOI: https://doi.org/10.3390/app7070651

Squires M. et al.: A novel genetic algorithm based system for the scheduling of medical treatments. Expert Systems with Applications 195, 2022, 116464. DOI: https://doi.org/10.1016/j.eswa.2021.116464

Varoquaux G. Cheplygina V.: Machine learning for medical imaging: methodological failures and recommendations for the future. NPJ Digital Medicine 5(1), 2022, 48. DOI: https://doi.org/10.1038/s41746-022-00592-y

World Health Organization: WHO and World Health Organization: WHO. Dementia [www.who.int/news-room/fact-sheets/detail/dementia/?gclid=CjwKCAiA-P-rBhBEEiwAQEXhHzn09E8kOoRAOoS8xNltu1svCep3MzGBPB363AJ20n3XF3v9M9C9axoCS7QQAvD_BwE] (avaible 15.03.2023).

Zhao X. et al.: A voice recognition-based digital cognitive screener for dementia detection in the community: Development and validation study. Frontiers in Psychiatry 13, 2022, 899729. DOI: https://doi.org/10.3389/fpsyt.2022.899729

Anuradha, G., Davu, H., & Karri, M. (2024). OPTYMALIZACJA DRZEWA DECYZYJNEGO OPARTA NA ALGORYTMIE GENETYCZNYM DO WYKRYWANIA DEMENCJI POPRZEZ ANALIZĘ MRI. Informatyka, Automatyka, Pomiary W Gospodarce I Ochronie Środowiska, 14(1), 83–89. https://doi.org/10.35784/iapgos.5775

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 14 Nr 1 (2024)

Archiwum

##plugins.themes.bootstrap3.article.main##

DOI

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja