3-1-3 基于重量平均技术的深度神经网络的性能评估,用于使用结构性MRI检测阿尔茨海默病

科学领域:

• 神经学 神经学
• 医学成像分析 医学成像分析
• 人工智能在医学中的应用

背景情况:

• 阿尔茨海默病 (AD) 是一种进展性神经系统疾病,导致大脑缩和认知能力下降,是痴呆的主要原因.
• 早期发现AD对于患者管理至关重要,尽管缺乏治疗方法来逆转其进展.
• 深度学习 (DL) 在医学图像分类方面表现出色,但需要大量的训练数据,这是一个常见的局限性.

研究的目的:

• 通过有限的3D磁共振成像 (MRI) 数据,研究转移学习 (TL) 对于对阿尔茨海默病 (AD) 进行分类的有效性.
• 为了评估四个修改的预训练深度神经网络 (DNN) 的AD分类的性能.
• 通过3-1-3重量平均技术和微调,提高分类准确性.

主要方法:

• 利用来自阿尔茨海默病神经成像 (ADNI) 数据库的T1加权3DMRI数据.
• 通过修改和训练四个预先训练的深度神经网络 (DNN):VGG16,MobileNet,DenseNet121和NASNetMobile,应用转移学习 (TL).
• 采用3-1-3重量平均技术和微调以优化模型性能.

主要成果:

• 实现了很高的分类准确度:VGG16 (98.75%),MobileNet (97.5%),DenseNet121 (97.5%),以及NASNetMobile (96.25%). 这三种类型的分类准确度都非常高.
• 经过修改的VGG16表现出优异的性能,在接收器操作特征 (ROC) 曲线下面积 (AUC) 为0.99,在精度回调 (PR) 曲线上为0.998.
• 验证情节 (ROC,PR,Kolmogorov-Smirnov) 证实了经过修改的预训练模型的有效性.

结论:

• 建议的转移学习方法,结合3-1-3重量平均技术和微调,有效地对阿尔茨海默病进行分类.
• 修改后的深度神经网络,特别是VGG16,显示出使用3DMRI精确检测AD的巨大潜力.
• 这种方法为改善早期AD诊断提供了可行的解决方案,解决了有限的培训数据的挑战.