在脑MRI图像中改善阿尔茨海默氏症疾病分类,使用经过PCA和SWLDA增强的神经网络模型

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) 诊断依赖于准确和高效的方法.
• 机器学习对AD检测有希望,但需要高精度和通用性.
• 目前的方法可能缺乏临床环境所需的速度和广泛应用.

研究的目的:

• 开发和评估用于对阿尔茨海默病进行分类的混合机器学习方法.
• 为了提高准确性,减少处理时间,并提高AD分类的普遍性,使用大脑MRI.
• 在多样化,公开可用的数据集上验证拟议的混合方法.

主要方法:

• 这是一种混合方法,它结合了平均过器预处理,主要组件分析 (PCA) 和逐步线性差异分析 (SWLDA) 来进行特征选择,以及人工神经网络 (ANN) 来进行分类.
• SWLDA使用前向和后向递归来实现最佳特征子集识别.
• 该方法应用于脑MRI图像数据集,采用10倍交叉验证策略.

主要成果:

• 拟议的混合方法在数据集中实现了高加权平均识别率99.35%和96.66%.
• 与现有的最先进的系统相比,这种方法显示出更高的性能.
• PCA,SWLDA和ANN的组合在区分AD类中被证明是有效的.

结论:

• 开发的混合机器学习方法为阿尔茨海默氏症疾病分类提供了高度准确和高效的解决方案.
• 这种方法显示出在AD诊断中临床应用的巨大潜力.
• 该研究强调了将高级特征选择和分类技术用于神经成像分析的有效性.