改进的哈里斯·霍克斯基于优化的模糊k-最近邻近算法用于诊断阿尔茨海默病

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:

• 早期诊断阿尔茨海默病 (AD) 和轻度认知障碍 (MCI) 对于及时干预和减缓疾病进展至关重要.
• 磁共振成像 (MRI) 是可视化与AD和MCI相关的大脑变化的关键模式.
• 现有的诊断框架需要优化,以提高准确性和效率.

研究的目的:

• 开发和验证一个新的框架,准确地分类阿尔茨海默病 (AD) 和轻度认知障碍 (MCI).
• 引入一个改进的优化算法,SSFSHHO,以提高AD诊断中Fuzzy k-近邻 (FKNN) 模型的性能.
• 利用MRI数据进行强大的AD和MCI分类,使用拟议的SSFSHHO-FKNN框架.

主要方法:

• 磁共振成像 (MRI) 数据的预处理.
• 从预处理的MRI扫描中提取特征.
• 使用新的哈里斯·霍克斯优化 (HHO) 变体SSFSHHO优化 Fuzzy k-nearest neighbor (FKNN) 算法,集成Sobol序列和随机分数搜索 (SFS).

主要成果:

• 与经典的元启发算法和其他HHO变体相比,SSFSHHO算法在基准测试问题上表现优越.
• 在SSFSHHO-FKNN框架中,使用阿尔茨海默病神经成像倡议 (ADNI) 数据集的MRI扫描来实现AD和MCI的高分类准确性.
• 拟议的方法在AD分类任务中超过了现有的高性能优化和经典机器学习算法.

结论:

• 开发的SSFSHLO-FKNN框架为阿尔茨海默病 (AD) 和轻度认知障碍 (MCI) 的早期和准确分类提供了一个有希望和有效的方法.
• 集成SSFSHHO显著提高了FKNN的参数优化,从而提高了诊断性能.
• 该框架识别相关特征的能力进一步巩固了其作为临床AD诊断中宝贵工具的潜力.