双-3DM³AD:基于混合变压器的语义细分和三元组预处理用于早期多类阿尔茨海默氏症诊断

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 神经退行性疾病 神经退行性疾病

背景情况:

• 阿尔茨海默病 (AD) 诊断通常依赖于单个数据模式,限制全面分析.
• 在前期阶段早期发现AD对于有效管理至关重要.
• 整合代谢 (PET) 和结构 (MRI) 数据,可以对阿尔茨海默氏症的进展有更全面的了解.

研究的目的:

• 推出Dual-3DM3-AD,一种创新的多模式融合方法,用于准确和早期的阿尔茨海默病诊断.
• 利用MRI和PET成像数据来提高诊断性能.
• 通过全面的视角来增强AD分期分析.

主要方法:

• 预处理MRI和PET图像使用四边形非局部介质去除算法 (QNLM),形态函数和区块分割模型 (BDM).
• 适应混合变压器与进一步的U-Net用于语义细分和复杂性降低.
• 多尺度特征提取,通过密集连接特征聚合模块 (DCFAM) 进行聚合,并使用多头注意力减少维度.

主要成果:

• 双-3DM3-AD模型实现了98%的准确性,97.8%的灵敏度,97.5%的特异性和98.2%的f-测量.
• 与基线方法相比,该模型在多类阿尔茨海默氏症诊断中表现出卓越的性能.
• 增强的ROC曲线表明了强大的诊断能力.

结论:

• 拟议的双-3DM3-AD模型有效地集成多模式成像数据,用于高级阿尔茨海默病诊断.
• 这种基于融合的方法显著提高了早期检测和分期精度.
• 双3DM3-AD代表了人工智能用于神经退行性疾病管理的临床应用的有希望的进步.