使用Otsu值检测阿尔茨海默病的检测,使用tunicate swarm算法和深度信念网络
Praveena Ganesan1, G P Ramesh1, Przemysław Falkowski-Gilski2
1Department of Electronics and Communication Engineering, St. Peter's Institute of Higher Education and Research, Chennai, India.
Frontiers in physiology
|July 24, 2024
概括
本研究介绍了使用结构磁共振成像 (sMRI) 检测早期阿尔茨海默病 (AD) 的自动化框架. 该方法达到高精度,有助于及时诊断和治疗,以减缓疾病的进展.
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) 是一种进展性神经退行性疾病,影响认知和记忆.
- 早期发现AD对于减缓疾病进展和降低死亡率至关重要.
- 结构磁共振成像 (sMRI) 对于识别与AD相关的大脑变化至关重要.
研究的目的:
- 使用sMRI开发一种用于早期阿尔茨海默病检测的自动化框架.
- 通过先进的机器学习技术,提高AD诊断的准确性和效率.
- 帮助临床医生及时诊断和治疗计划阿兹海默症患者.
主要方法:
- 兴趣地区 (RoI) 细分使用Otsu值,优化通过Tunicate Swarm算法 (TSA).
- 使用本地二进制模式 (LBP) 和本地定向模式差异 (LDPv) 描述器从ROI中提取特征.
- 使用深度信念网络 (DBN) 来检测AD的sMRI图像的分类.
主要成果:
- 拟议的框架实现了高分类准确率,在ADNI数据集上达到99.80%,在AIBL数据集上达到99.92%.
- 与传统的AD检测模型相比,自动化框架显示出更高的性能.
- 精确的细分和特征提取是框架成功的关键.
结论:
- 开发的自动化框架显示出对精确和早期检测阿尔茨海默病的重大前景.
- 这种方法可以帮助加快诊断过程,使得早期干预成为可能.
- 高准确度表明,将该框架整合到AD管理的临床实践中的潜力.
