通过优化轻量级卷积注意力和结构性MRI诊断阿尔茨海默病

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) 诊断需要准确的早期检测,特别是在老龄化人口中.
• 结构磁共振成像 (sMRI) 对于跟踪AD中大脑缩至关重要.
• 当前的深度学习模型在脑部扫描中与远程声素依赖性作斗争.

研究的目的:

• 使用视觉转换器开发一个有效的深度学习模型用于AD诊断.
• 提高对阿尔茨海默病 (AD),轻度认知障碍 (MCI) 和健康对照 (HC) 的分类准确度.
• 为了利用卷积注意力机制,提高AD检测的性能.

主要方法:

• 提出了一个基于变压器的新型分类器,集成卷积注意力机制.
• 使用轻型多头自动注意 (LMHSA),倒置残余单位 (IRU) 和局部前送网络 (LFFN).
• 在AD数据集上训练模型,使用梯度集中优化器和Adam.

主要成果:

• 在多类分类 (AD,MCI,HC) 中获得了94.31%的准确性.
• 在二进制分类 (AD与HC) 中达到95.37%的准确性.
• 在HC与MCI分类方面获得了92.15%的准确性,优于现有方法.

结论:

• 拟议的视力变压器模型在诊断阿尔茨海默病和相关认知状态方面表现出高效.
• 通过这种模型识别关键大脑区域可以为神经退行性疾病的未来临床策略提供信息.
• 未来的研究应该专注于超越ADNI队列的更广泛的数据集,以提高概括性.