一个优化的深度学习模型用于使用结构性MRI预测轻度认知障碍
Esraa H Alyoubi1, Kawthar M Moria1, Jamaan S Alghamdi2
1Department of Computer Science, College of Computing and Information Technology, King Abdulaziz University, Jeddah 21589, Saudi Arabia.
Sensors (Basel, Switzerland)
|July 8, 2023
概括
这项研究优化了深度学习模型以预测轻度认知障碍 (MCI),仅使用MRI扫描中的内腔皮层. 发明-V3模型实现了70%的准确性,显示了早期MCI诊断的希望.
科学领域:
- 神经学 神经学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 使用磁共振成像 (MRI) 早期诊断轻度认知障碍 (MCI) 改善了患者的治疗结果.
- 深度学习模型越来越多地用于具有成本效益的MCI预测.
- 肠内皮层在MCI中显示早期缩,使其成为一个关键的诊断区域,尽管它的小尺寸限制了研究.
研究的目的:
- 开发和优化深度学习模型,使用脑内皮层MRI数据来区分MCI与正常对照.
- 为了研究特定的神经网络架构的有效性,基于脑内皮层特征的MCI预测.
主要方法:
- 为MCI分类,建立了一个专注于内皮层区域的数据集.
- 三个神经网络架构 (VGG16,Inception-V3,ResNet50) 被独立优化为特征提取.
- 在优化的架构中使用了卷积神经网络分类器.
主要成果:
- 发明-V3架构实现了功能提取的最佳性能.
- 关键性能指标包括70%的准确性,90%的灵敏性,54%的特异性和69%的曲线下面积.
- 该模型的F1得分为73%,表明了平衡的精确回忆性能.
结论:
- 建议使用内皮层MRI数据的深度学习方法对于预测MCI是有效的.
- 这种方法显示了改善MCI早期诊断的潜力,补充了现有的诊断工具.
更多相关视频
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
1.1K
08:43Application of Granger Causality Analysis of the Directed Functional Connection in Alzheimer's Disease and Mild Cognitive Impairment
Published on: August 7, 2017
7.9K