通过使用Deep ResUnet和Efficientnet进行有效的阿尔茨海默病细分和分类

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:

• 阿尔茨海默病 (AD) 是一种神经退行性疾病,其特点是脑细胞的逐渐衰弱和认知能力下降.
• 早期诊断AD对于有效的患者护理和治疗至关重要,但传统方法面临局限性.
• 需要先进的图像分析技术来准确和早期检测AD.

研究的目的:

• 使用磁共振成像 (MRI) 开发一种精确有效的阿尔茨海默病 (AD) 识别系统.
• 利用深度学习和高级特征提取来改善AD诊断.
• 为了高精度地分类阿尔茨海默病的阶段.

主要方法:

• 大脑MRI图像使用基于Deep ResUnet的方法进行细分.
• 全球和本地特征通过多尺度注意力语网络 (MASNet) 提取.
• 使用Slime Mold算法进行特征选择,然后使用EfficientNetB7.7进行分类.

主要成果:

• 提出的方法在阿尔茨海默病 (AD) 分类方面取得了高准确性.
• 在Kaggle和ADNI数据集上进行测试,该系统的准确性分别为99.31%和99.38%.
• 结果表明,该系统对于准确的AD分期的有效性.

结论:

• 开发的人工智能驱动系统为阿尔茨海默病 (AD) 诊断提供了高度准确和高效的方法.
• 这种方法显示了提高临床环境中早期检测和患者管理的巨大潜力.
• 该研究强调了综合深度学习技术在神经退行性疾病分类中的有用性.