阿尔茨海默病的多式诊断模型基于改进的变压器
Yan Tang1,2, Xing Xiong3, Gan Tong3
1School of Electronic Information, Central South University, Changsha, 410008, Hunan, People's Republic of China.
Biomedical engineering online
|January 19, 2024
概括
这项研究提出了一种用于阿尔茨海默病 (AD) 诊断的新型深度学习模型,通过合并多式脑成像数据来实现98.1%的准确性. 该模型有效地识别出重要的大脑区域,如左侧副海马区域,帮助临床研究.
科学领域:
- 神经科学是一个神经科学.
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
背景情况:
- 神经成像技术的进步为阿尔茨海默病 (AD) 诊断提供了多样化的数据.
- 整合多模式数据 (例如,sMRI,PET) 在提高诊断准确性和识别关键大脑区域方面提出了挑战.
- 目前的方法很难有效地将复杂的,高维的成像数据集用于AD检测.
研究的目的:
- 开发和验证深度学习算法,以使用多式联络神经成像数据准确诊断阿尔茨海默病.
- 通过有效地融合结构磁共振成像 (sMRI) 和正子发射断层扫描 (PET) 数据来提高阿尔茨海默病的识别率.
- 通过模型可解释性识别与阿尔茨海默病相关的大脑显著区域.
主要方法:
- 利用来自阿尔茨海默氏病神经成像计划 (ADNI) 数据集的多式医学图像 (sMRI和PET).
- 采用3D卷积神经网络 (3DCNN) 来从sMRI和PET图像中进行深度特征提取.
- 实施了改进的变压器模型,用于全球特征相关性和多式联络数据融合,再加上可解释性的可视化方法.
主要成果:
- 在阿尔茨海默氏症诊断方面达到98.1%的高分类准确率.
- 视觉化分析显示,在不同的成像模式中,AD相关的大脑区域是不同的.
- 在阿尔茨海默病诊断中,左侧副海马区域一直被确定为一个重要的区域.
结论:
- 开发的多式联络融合模型显示了阿尔茨海默病诊断的高可靠性和准确性.
- 该模型的可视化技术增强了可解释性,提供了对与疾病相关的大脑区域的洞察.
- 这些发现为推进阿尔茨海默病临床研究提供了有价值,可靠的信息.
