在JAN Net中修改过的Exigent功能块用于分析SPECT扫描图像以诊断早期帕金森病

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 中脑中的多巴胺转运体 (DaT) 量化作为帕金森病 (PD) 的生物标志物.
• 单光子发射计算机断层扫描 (SPECT) 图像用于准确测量多巴胺水平.

研究的目的:

• 提出一个名为JAN Net的新型卷积神经网络 (CNN),专门用于帕金森病的识别.
• 从SPECT扫描中利用体积染图像切片 (VRIS) 来进行增强的PD检测.

主要方法:

• 简网采用修改后的必需特征 (M-ExFeat) 块,并配有卷积层和附加层,以保存条形特征.
• 不同大小的卷积层 (1x1,3x3,5x5) 提取多层特征,这些特征被组合成一个附加层,以提高神经元的学习能力.
• 网络性能使用步骤1和步骤2配置进行评估.

主要成果:

• 通过使用来自帕金森氏症进展标记计划 (PPMI) 数据库的数据,JAN Net 实现了100%的培训和验证准确性,而第二步的损失最小.
• 与各种深度学习模型和机器学习技术 (包括极端学习机器 (ELM) 和人工神经网络 (ANN) 等) 相比,拟议的架构表现出卓越的性能.

结论:

• 开发的JAN Net在识别帕金森病方面表现出显著的有效性.
• 这项研究为神经病学家提供了一种有价值的工具,以潜在地预防PD患者的神经元损伤.