Refine
Document Type
- Article (2)
Has Fulltext
- yes (2)
Is part of the Bibliography
- no (2)
Keywords
Institute
- Medizin (1)
Die Vereinigte Mulde, meist nur als "Mulde" bezeichnet, entsteht in Sermuth/Sachsen durch den Zusammenfluss von Zwickauer Mulde (167 km Lauflänge) und Freiberger Mulde (124 km Lauflänge). Nach 86 km Fließstrecke in Sachsen erreicht die Vereinigte Mulde nordwestlich von Bad Düben die Landesgrenze von Sachsen-Anhalt. Nach weiteren 61 km Fließstrecke in Sachsen-Anhalt mündet sie zwischen Dessau und Roßlau am Eibe-km 259,5 in die Eibe. Zwickauer und Freiberger Mulde entwässern vom Osterzgebirge bis zum Vogtland ein Gebiet von etwa 5 345 km2, insbesondere die niederschlagsreichen Nordhänge des Erzgebirges (Abbildung 1). Das im Vergleich dazu mit ca. 2000 km2 kleine, insbesondere aber niederschlagsarme Einzugsgebiet der Vereinigten Mulde in Sachsen und Sachsen-Anhalt hat damit auf die wesentlichen Merkmale der Vereinigten Mulde, wie Wasserführung (Abfluss) und natürlichen Chemismus, nahezu keinen Einfluss. So liegt das Abflussmittel (1961 - 1995) vom Pegel Bad Düben mit 63,7 m3 / s nahezu in gleicher Größenordnung wie das von 75,2 m3/s in Dessau. Die Zwickauer Mulde gilt, begründet durch die größere Lauflänge und Wasserführung, allgemein als Quellfluss der Mulden. Die im Vergleich zum Höhenunterschied von 700 m zwischen Quelle und Mündung (Dessau) kurze Gesamtlauflänge des Flusses von insgesamt ca. 314 km verursacht in Verbindung mit der geologisch bedingten geringen Wasserspeicherkapazität des Einzugsgebietes sowohl anhaltende Niedrigwasserperioden als auch steile Abflussspitzen.
Importance: The entry of artificial intelligence into medicine is pending. Several methods have been used for the predictions of structured neuroimaging data, yet nobody compared them in this context.
Objective: Multi-class prediction is key for building computational aid systems for differential diagnosis. We compared support vector machine, random forest, gradient boosting, and deep feed-forward neural networks for the classification of different neurodegenerative syndromes based on structural magnetic resonance imaging.
Design, setting, and participants: Atlas-based volumetry was performed on multi-centric T1-weighted MRI data from 940 subjects, i.e., 124 healthy controls and 816 patients with ten different neurodegenerative diseases, leading to a multi-diagnostic multi-class classification task with eleven different classes.
Interventions: N.A.
Main outcomes and measures: Cohen’s kappa, accuracy, and F1-score to assess model performance.
Results: Overall, the neural network produced both the best performance measures and the most robust results. The smaller classes however were better classified by either the ensemble learning methods or the support vector machine, while performance measures for small classes were comparatively low, as expected. Diseases with regionally specific and pronounced atrophy patterns were generally better classified than diseases with widespread and rather weak atrophy.
Conclusions and relevance: Our study furthermore underlines the necessity of larger data sets but also calls for a careful consideration of different machine learning methods that can handle the type of data and the classification task best.