从使用深度学习的磁共振图像对阿尔茨海默病阶段的分类
Alejandro Mora-Rubio1, Mario Alejandro Bravo-Ortíz1, Sebastián Quiñones Arredondo1
1Department of Electronics and Automation, Universidad Autonóma de Manizales, Manizales, Caldas, Colombia.
PeerJ. Computer science
|September 14, 2023
概括
这项研究引入了一种深度学习方法,用于使用MRI扫描进行早期阿尔茨海默病 (AD) 检测. 该方法在区分AD与对照组的准确性达到了89%,有助于及时诊断.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 阿尔茨海默病 (AD) 是一种进展性痴呆症,影响记忆和认知.
- 早期检测对于患者护理至关重要,轻度认知障碍 (MCI) 往往是痴呆症的前身.
- 大脑缩,特别是前叶,是通过MRI诊断AD的一个关键指标.
研究的目的:
- 开发和评估一种深度学习 (DL) 模型,用于对阿尔茨海默病不同阶段的MRI扫描进行分类.
- 通过分析脑部扫描中的微妙形态变化来增强早期AD检测.
- 为了比较各种DL架构的性能,包括3D CNN和视觉变压器,用于AD分类.
主要方法:
- 利用来自阿尔茨海默病神经成像计划和成像研究数据库的开放访问系列的MRI扫描.
- 应用FreeSurfer用于图像预处理和空间数据增强技术.
- 实施并比较了最先进的DL模型:EfficientNet,DenseNet,一个定制的Siamese网络和视觉变压器.
主要成果:
- DL方法在将阿尔茨海默病与对照组分类方面取得了很高的准确性 (高达89%).
- 与对照组相比,该模型在识别晚期MCI (80%) 和MCI (66%) 中表现出了显著的表现.
- 早期MCI检测达到67%的准确性,突出了早期诊断的潜力.
结论:
- 深度学习模型显示,使用MRI对阿尔茨海默病的准确和早期检测具有显著的前景.
- 开发的DL方法可以帮助临床医生诊断AD及其渐进阶段.
- 对DL架构的进一步研究可以完善神经退行性疾病的诊断能力.
