用3D成像检测阿尔茨海默病的深度学习技术:3D成像中的深度学习技术:系统性审查
Zia-Ur-Rehman1, Mohd Khalid Awang1, Ghulam Ali2
1Faculty of Informatics and Computing Universiti Sultan Zainal Abidin (UniSZA) Terengganu Malaysia.
Health science reports
|September 19, 2024
概括
深度学习 (DL) 算法在使用3D成像诊断阿尔茨海默病 (AD) 方面表现有前途. 本综述评估了当前用于AD检测的DL方法,强调了它们的有效性和未来早期诊断进步的潜力.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 阿尔茨海默病 (AD) 是一种进展性神经系统疾病,影响认知和记忆.
- 早期和准确的AD诊断对于有效的治疗和患者管理至关重要.
- 深度学习 (DL) 为分析复杂的医疗数据提供了先进的计算方法.
研究的目的:
- 系统地审查深度学习 (DL) 算法在诊断阿尔茨海默病 (AD) 的应用.
- 评估使用3D成像的DL方法的当前状态,效率和潜在改进.
- 通过DL.提供洞察力,通过DL.改善AD的快速和精确诊断.
主要方法:
- 在线存储库 (IEEE Xplore,Elsevier,PubMed等) 的系统文献搜索 对于在2020-2024年之间发表的研究.
- 遵守PRISMA系统审查指南,以确保数据的组织性和可理解性.
- 分析了87篇精选的文章,重点是使用3D成像数据检测AD的DL技术.
主要成果:
- 卷积神经网络 (CNN),包括3D CNN,广泛用于分析体积数据中的时空特征.
- 转移学习,多式联络数据集成和注意力机制等技术可以提高DL模型的精度.
- 该审查分析了87篇文章,其中31篇专注于理论模型和56篇专注于实际实施挑战.
结论:
- DL,特别是CNN,通过3D成像显示了通过3D成像准确检测阿尔茨海默病的巨大潜力.
- 对DL方法的进一步研究和开发可以提高诊断速度和精度.
- 本综述提供了基于DL的AD评估的批判性评估,概述了未来的研究方向.
