基于深度学习的组合技术,使用功能性MRI对阿尔茨海默氏病的分类阶段

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:

• 认知能力下降,包括记忆力丧失和判断力受损,影响老年人,可能导致阿尔茨海默病 (AD).
• 早期发现轻度认知障碍 (MCI) 是至关重要的,因为它可能是可逆的,与高级AD不同.
• 当前的诊断方法往往只有在AD明显进展后才能发现AD.

研究的目的:

• 开发一种准确的方法来诊断阿尔茨海默病 (AD) 和其各个阶段,以便及时治疗.
• 探索深度学习模型在对功能性MRI扫描进行AD检测时的有效性.
• 推进AD多类分类,将AD分为六个不同的阶段.

主要方法:

• 从公开可用的数据集中利用功能性MRI图像.
• 实施了两步方法:二元分类 (MCI与MCI对比. AD) 使用自定义CNN,其次是多类分类 (六个AD阶段) 与多个深度学习模型.
• 采用最大投票组合技术来提高模型性能.

主要成果:

• 在对阿尔茨海默病阶段的二进制和多类分类中取得了高准确性.
• 最大投票组合技术显著提高了深度学习模型的整体性能.
• 对于阿尔茨海默病阶段的分类,平均准确率为98.8%.

结论:

• 深度学习模型,特别是与组合技术相结合时,显示出用于准确,早期阿尔茨海默病诊断的巨大潜力.
• 拟议的方法提供了一个有前途的方法,可以使用fMRI数据将个人分类为阿尔茨海默病的六个阶段之一.
• 精确地确定阿尔茨海默病的阶段是可行的,可以帮助及时有效地管理患者.