一个深度监督的适应性神经网络,用于通过多任务特征提取来诊断和分类阿尔茨海默氏症的严重程度

科学领域:

• 神经科学是一个神经科学.
• 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) 是导致痴呆的主要原因,其特点是逐渐认知能力下降.
• 神经成像技术的进步提供了大量的多模式数据集,推动了对AD诊断的深度学习的兴趣.
• 早期和准确的AD严重程度的分类对于有效的患者管理至关重要.

研究的目的:

• 用MRI数据评估机器学习 (ML) 方法来确定阿尔茨海默病的严重程度.
• 将传统的ML算法的性能与深度学习CNN模型进行AD分类的比较.
• 在MRI图像中识别特定的模式,表明不同的AD严重程度.

主要方法:

• 利用一组MRI图像的数据集与四个不同的阿尔茨海默病严重程度.
• 应用了一种混合方法,结合了12种特征提取方法.
• 实现并比较了六种传统的ML分类器:决策树,K-最近邻居,线性歧视分析,天真贝叶斯,支持向量机器和集体学习.
• 训练并评估了用于模式识别的卷积神经网络 (CNN) 架构.

主要成果:

• 在对阿尔茨海默病的严重程度进行分类时,CNN模型取得了95.3%的高准确率.
• 传统的ML方法显示出不同的准确性:天真贝叶斯 (67.5%),支持向量机 (72.3%),K-最近邻居 (74.5%),线性歧视分析 (65.6%),决策树 (62.4%),以及集体学习 (73.8%).
• 与所有测试的传统ML方法相比,CNN方法显示出更高的性能.

结论:

• 开发的CNN模型对于自动对MRI数据的阿尔茨海默氏症严重程度进行分类是非常有效的.
• 深度学习,特别是CNN,为改善阿尔茨海默病的早期诊断和严重程度评估提供了一个有希望的途径.
• 这项研究强调了高级ML技术在神经成像中用于神经退行性疾病研究的潜力.