一组视觉变压器架构,用于高效的阿尔茨海默氏症疾病分类
Noushath Shaffi1, Vimbi Viswan2, Mufti Mahmud3,4,5
1Department of Computer Science, College of Science, Sultan Qaboos University, P.O. Box: 36, Al-Khod, 123, Muscat, Sultanate of Oman.
Brain informatics
|October 3, 2024
概括
本研究介绍了一组视觉转换器 (VTs),用于有效地分类阿尔茨海默病 (AD). 拟议的VT框架显著提高了对传统ML和CNN模型的准确性,为早期AD检测提供了一个有前途的工具.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 视觉转换器 (VTs) 已经成为计算机视觉的最先进技术,擅长捕捉依赖关系和处理阶级不平衡.
- 阿尔茨海默病 (AD) 的分类仍然是一个挑战,特别是在不平衡和数据稀缺的条件下.
研究的目的:
- 提出和评估VTs的整体框架,以有效和准确地对阿尔茨海默病 (AD) 进行分类.
- 评估模型在不平衡和数据稀缺的AD数据集上的表现.
主要方法:
- 一个整体框架,包括四个使用硬和软投票方法的香草视觉转换器 (VTs).
- 在OASIS和ADNI阿尔茨海默病数据集上的模型测试和验证.
- 与最先进的卷积神经网络 (CNN) 和机器学习 (ML) 模型进行比较分析.
主要成果:
- 整体VT模型比单个VT模型提高了2%.
- 与ML模型相比,精度增长了4.14%,与CNN模型相比,精度增长了4.72%.
- 使用ADNI数据集在不平衡和数据稀缺条件下的有效表现.
结论:
- 拟议的整体VT框架在阿尔茨海默病分类准确性方面取得了重大进展.
- 这种方法对有效的AD检测有希望,特别是在具有挑战性的数据场景中.
- 讨论了所识别的局限性和未来的研究方向,并公开了代码.
