AHANet:适应性混合注意力网络用于使用大脑磁共振成像来对阿尔茨海默病进行分类

科学领域:

• 医疗图像处理 医学图像处理
• 神经系统疾病 神经系统疾病
• 医疗保健中的人工智能

背景情况:

• 阿尔茨海默病 (AD) 是一种进展性神经疾病,其特点是大脑缩,记忆力丧失和认知能力下降.
• 早期和准确发现AD对于有效的治疗和管理至关重要.
• 医学图像处理,特别是分析大脑磁共振成像 (MRI),在识别AD的微妙迹象方面提出了挑战.

研究的目的:

• 开发一种先进的深度学习模型,用于准确和早期检测阿尔茨海默病,使用大脑MRI.
• 增强特征提取能力,以提高AD诊断中的分类性能.

主要方法:

• 提出了自适应混合注意网络 (AHANet),集成增强非局部注意 (ENLA) 和协调注意模块.
• ENLA模块捕捉了全球空间和上下文特征,包括远程依赖关系.
• 协调注意模块提取局部特征,并将位置信息嵌入到频道注意中.
• 一个自适应特征聚合 (AFA) 模块融合了全球和本地特征.
• 网络架构是基于DenseNet框架构建的.
• 在阿尔茨海默病神经成像计划 (ADNI) 数据集上训练并验证了模型.

主要成果:

• 与现有方法相比,AHANet表现出优越的性能.
• 在阿尔茨海默病检测方面获得了98.53%的高分类准确度.
• 综合注意力机制和特征聚合有效地提高了网络的特征提取能力.

结论:

• 拟议的AHANet提供了一个有前途的方法,用于通过脑MRI准确和早期检测阿尔茨海默病.
• 专业的注意力模块和自适应特征融合的整合显著提高了诊断能力.
• 医学图像分析的这一进步可以帮助临床医生及时诊断和治疗阿兹海默症患者的治疗计划.