LEFF-ViT: Un marco de transformer de visión con realce local para la clasificación precisa de la enfermedad de...

Área de la Ciencia:

• Análisis de imágenes médicas
• Inteligencia artificial en la atención médica
• Neurociencia

Sus antecedentes:

• El diagnóstico temprano de la enfermedad de Alzheimer (EA) es crucial para el manejo y el retraso de la progresión.
• Los métodos anteriores para la clasificación de EA tienen limitaciones, lo que requiere avances en la ingeniería de características y los modelos de aprendizaje.
• Se necesitan enfoques novedosos para mejorar la precisión de la modelización y clasificación de la EA.

Objetivo del estudio:

• Proponer un novedoso modelo de IA, LEFF-ViT (Locally Enhanced Feedforward Vision Transformer), para la clasificación precisa de la enfermedad de Alzheimer.
• Desarrollar un marco que utilice subregiones cerebrales segmentadas como elementos clave de ingeniería de características para mejorar la detección de EA.
• Mejorar la captura de información contextual local y global dentro de los datos de RM para una clasificación precisa.

Principales métodos:

• Segmentación de imágenes de RM para extraer regiones de materia blanca (WM), materia gris (GM) y líquido cefalorraquídeo (CSF) utilizando una U-Net residual profunda de compresión-inmersión (De-RIS U-Net).
• Empleo de una novedosa DWFE-Net para extraer características espaciales discriminatorias de las regiones cerebrales segmentadas.
• Integración de un Vision Transformer con autoatención multi-cabeza y una red feedforward con realce local (LFFN) en el modelo LEFF-ViT.

Principales resultados:

• El modelo LEFF-ViT logró métricas de alto rendimiento: 98,68% de precisión, 96,45% de sensibilidad y 98,17% de especificidad.
• El modelo demostró un sólido rendimiento de segmentación con una puntuación Dice del 96,36% y un índice de Jaccard del 92,31%.
• El método propuesto superó significativamente a los métodos actuales del estado del arte en múltiples métricas de evaluación.

Conclusiones:

• El modelo LEFF-ViT, que incorpora regiones cerebrales segmentadas y una arquitectura transformer avanzada, ofrece un enfoque de alta precisión para la clasificación de la enfermedad de Alzheimer.
• El marco aprovecha eficazmente la ingeniería de características con aprendizaje profundo para mejorar las capacidades diagnósticas en la EA.
• Esta novedosa metodología muestra una promesa significativa para avanzar en el diagnóstico temprano y preciso de la enfermedad de Alzheimer.