基于过的双边图像增强,用于使用CNN对阿尔茨海默病的分类.

科学领域:

• 医学成像分析 医学成像分析
• 医疗保健中的人工智能
• 神经科学是一个神经科学.

背景情况:

• 阿尔茨海默病 (AD) 诊断依赖于神经成像数据的准确分类.
• 磁共振成像 (MRI) 数据集中的图像噪声可以降低AD分类深度学习模型的性能.
• 开发强大的深度学习模型需要解决像图像噪声这样的数据质量挑战.

研究的目的:

• 开发一个性能最佳的卷积神经网络 (CNN) 以将阿尔茨海默病 (AD) 分类为三类:轻度认知障碍 (MCI),正常对照 (NC) 和AD.
• 通过实施图像增强方案,减轻图像噪声对深度学习模型性能的影响.
• 用MRI数据评估拟议的CNN模型在使用MRI数据准确的AD分类中的有效性.

主要方法:

• 应用了一种结合直方图平衡和双边过的图像增强算法,以减少噪音和提高MRI数据集质量.
• 一个具有四个卷积层和两个隐藏层的CNN模型被设计用于AD分类.
• 在CNN模型的训练和评估中,使用了10倍的交叉验证方法,学习率为0.001和200个时代.

主要成果:

• 拟议的CNN模型实现了93.45%的准确性和0.99的曲线下面面积 (AUC),用于三类分类 (MCI,NC,AD).
• 与现有方法相比,该模型在二进制分类任务中表现出优异的性能.
• 对于二进制分类的具体准确率包括94.39% (AD与NC),94.92% (AD与MCI) 和95.62% (MCI与NC).

结论:

• 开发的CNN模型,利用增强的MRI数据,有效地分类阿尔茨海默病,轻度认知障碍和正常对照.
• 图像增强技术显著提高了MRI数据的质量,从而提高了分类性能.
• 这项研究强调了深度学习的潜力,使用预处理的成像数据来准确可靠地诊断阿尔茨海默病.