基于fMRI的阿尔茨海默病检测使用SAS方法与多层感知子网络

科学领域:

• 神经成像和机器学习
• 医学诊断 医学诊断 医学诊断
• 计算神经科学是一种神经科学.

背景情况:

• 阿尔茨海默病 (AD) 是导致痴呆的主要原因,需要改进诊断工具.
• 目前的AD诊断依赖于神经成像数据的复杂和耗时的分析,特别是功能磁共振成像 (fMRI).
• 需要自动化方法来提高早期AD检测的效率和准确性.

研究的目的:

• 用fMRI图像提出一种用于早期诊断阿尔茨海默氏症 (AD) 的新型自动化模型.
• 细分各种认知状态,包括AD,正常控制 (NC),轻度认知障碍 (MCI),早期轻度认知障碍 (EMCI),晚期轻度认知障碍 (LMCI) 和显著记忆问题 (SMC).
• 与传统方法相比,评估拟议模型的性能.

主要方法:

• 从阿尔茨海默病神经成像计划 (ADNI) 数据集中获取fMRI图像.
• 应用一个规范化技术来提高图像质量.
• 通过聚合超像素 (SAS) 方法对大脑区域进行细分.
• 通过Gabor和灰色水平同时发生矩阵 (GLCM) 技术提取特征.
• 使用蜂蜜子优化算法 (HBOA) 减少尺寸.
• 使用多层感知子 (MLP) 模型进行分类.

主要成果:

• 自动化模型的分类准确率达到了99.44%.
• 性能指标包括一个子相似系数 (DSC) 的88.90%,雅卡尔系数 (JC) 的90.82%,和豪斯多夫距离 (HD) 的88.43%.
• 与传统的细分和分类技术相比,拟议的模型显示出更高的性能.

结论:

• 开发的自动化模型在使用fMRI数据早期诊断阿尔茨海默病和相关认知障碍方面表现出高效.
• SAS细分,HBOA优化和MLP分类的结合为神经退行性疾病检测提供了强大而准确的方法.
• 这种自动化系统有可能显著改善AD的诊断过程及其条件的范围.