使用基于MRI图像的飞机优化的密集连接卷积神经网络预测阿尔茨海默病
1M. Baskar, Associate Professor, Department of Computing Technologies, School of Computing, College of Engineering and Technology, SRM Institute of Science and Technology, Kattankulathur, Chengalpattu, Tamilnadu, India, baskarmsrm@gmail.com, baaskarcse@gmail.com.
The journal of prevention of Alzheimer's disease
|July 24, 2024
概括
研究人员开发了一种新的深度学习模型,用于早期发现阿尔茨海默病 (AD). 这种自动化方法在MRI扫描中准确地识别了AD受影响的大脑区域,提高了诊断能力.
科学领域:
- 神经科学和人工智能 人工智能
- 医学成像和诊断 医学成像和诊断
背景情况:
- 阿尔茨海默病 (AD) 是一种进展性神经退行性疾病,影响记忆和认知,影响全球数百万人.
- 目前用于AD的诊断方法与兴趣区域 (ROI) 和生物标志物识别的大数据集作斗争.
- 机器学习为自动化AD检测提供了潜力,但需要先进的技术来识别医疗图像中复杂的模式.
研究的目的:
- 开发一种自动化方法来检测阿尔茨海默氏病受影响的区域,使用超启发调整的深度学习.
- 通过先进的图像处理和深度学习技术,提高阿尔茨海默病的早期和准确诊断.
- 为了改善患者的治疗结果,并促进阿尔茨海默病的及时治疗干预.
主要方法:
- 利用深度学习和图像处理来检测AD,专注于磁共振成像 (MRI) 扫描.
- 采用适应式直方图的方法来处理图像,并使用加权的中位数过器来处理杂的像素.
- 实现了基于深度卷积网络的集群细分,用于问题区域识别和相关信息理论用于特征提取.
- 应用飞机优化的密集链接卷积神经网络,用于探测选定的特征.
主要成果:
- 与Kaggle数据集上最先进的技术相比,拟议的方法显示出更高的性能.
- 在AD区域识别的灵敏度 (15.52%),特异性 (15.62%),准确性 (9.01%),错误率 (11.29%) 和F测量 (10.52%) 中取得了显著的改进.
- 成功地发现了在大脑结构中微妙的异常和复杂的变化,这些都表明了AD.
结论:
- 以元启发学调整的深度学习为自动检测阿尔茨海默病提供了一种强大的方法.
- 开发的方法通过有效分析MRI扫描来增强早期和准确的AD诊断.
- 这一进步有望改善阿尔茨海默病的患者管理和治疗策略.
