改进的神经网络与多任务学习用于阿尔茨海默氏症疾病分类

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 神经学 神经学

背景情况:

• 阿尔茨海默病 (AD) 是一个重大的健康挑战,治疗选择有限.
• 早期发现AD对于及时干预和管理至关重要.
• 目前的诊断方法可能具有侵入性或缺乏足够的灵敏度.

研究的目的:

• 开发和评估一个增强的神经网络,ADnet,以使用MRI扫描改进阿尔茨海默病的检测.
• 研究将深度可分离卷积,ELU激活和SE模块纳入基于VGG16的AD分类模型的有效性.
• 评估辅助回归任务对初级分类性能的影响.

主要方法:

• 使用基于VGG16的神经网络架构,称为ADnet.
• 实施深度可分离的卷积,以减少模型参数.
• 用ELU激活和集成的Squeeze-and-Excitation (SE) 模块取代ReLU,以增强功能提取.
• 雇佣多任务学习,包括临床痴呆症和精神状态得分回归以及MRI分类.

主要成果:

• 在阿尔茨海默病 (AD) 与认知正常 (CN) 分类方面,ADnet显示了比基线VGG16的4.18%的准确性改善.
• 在轻度认知障碍 (MCI) 与CN分类之间实现了6%的准确性改进.
• 集成的SE模块提高了特征提取效率,提高了诊断准确度.

结论:

• 通过MRI数据,ADnet为人工智能驱动的阿尔茨海默病早期检测提供了有希望的进步.
• 架构增强和多任务学习策略显著提高了分类准确性.
• 这种方法为医疗专业人员在早期诊断和干预AD和MCI方面提供了宝贵的支持.