MRIデータセットを用いた障害におけるアルツハイマー病の多種別分類のための新しいディープラーニング

科学分野:

• 神経画像と機械学習
• 計算神経科学
• 医療診断

背景:

• アルツハイマー病 (AD) は神経変性の主な原因で,認知機能や運動機能の障害が特徴です.
• MRIスキャンによるADサブタイプの正確な分類は,重複する特徴のために困難です.
• 既存の機械学習 (ML) とディープラーニング (DL) の方法は,マルチクラスのADの正確な識別に苦労しています.

研究 の 目的:

• 移転学習ベースの特徴抽出方法を開発し,MRIスキャンからADのカテゴリを複数クラスに分類するために評価する.
• 新しいディープラーニングモデル"IncepRes"を提案し,InceptionとResNetのアーキテクチャを融合させ,ADの分類を強化する.
• ADデータセットで異なる転送学習モデル (ResNet152V2,VGG16,InceptionV3,MobileNet) のパフォーマンスを調査する.

主な方法:

• MRIスキャンから特性を抽出するために,4つの転送学習モデル (ResNet152V2,VGG16,InceptionV3,MobileNet) を採用した.
• 公的に利用可能なデータセット:アルツハイマー病ニューロ画像イニシアティブ (ADNI) とオープンアクセスの画像研究シリーズ (OASIS),統合されたデータセット.
• ハイブリッドコンボリューションニューラルネットワーク (CNN) モデル"IncepRes"を開発し,ResNet152V2とInceptionアーキテクチャを統合し,マルチクラスのAD分類を行いました.

主要な成果:

• 改造されたResNet152V2は,評価された移転学習方法の中で,特徴抽出器として優れた性能を示した.
• 提案された"IncepRes"モデルは,高い分類精度を達成しました: 96.96% (ADNI),98.35% (OASIS),97.13% (合併データセット).
• "IncepRes"モデルは,さまざまなアルツハイマー病の分類において,他の競合する深層学習構造を上回りました.

結論:

• 提案された移転学習フレームワークと"IncepRes"モデルは,MRIデータからアルツハイマー病のカテゴリを自動的かつ正確に分類することを可能にします.
• この進歩は アルツハイマー病に関連した認知機能障害の 適切な管理と治療の可能性を秘めています
• この研究は,神経変性疾患の診断における複数のクラス分類の課題に取り組む上でディープラーニングの有効性を強調しています.