使用各种转移学习CNN框架对早期阿尔茨海默氏症疾病分类进行比较研究

科学领域:

• 人工智能的人工智能
• 医学成像分析 医学成像分析
• 神经科学是一个神经科学.

背景情况:

• 机器学习和深度学习提供了更好的预测性能和计算效率.
• 在卷积神经网络 (CNN) 内的转移学习对于诊断阿尔茨海默氏病阶段是有效的.

研究的目的:

• 为了增强现有的CNN架构 (Xception,InceptionResNetV2,DenseNet201,InceptionV3,ResNet50,MobileNetV2) 用于阿尔茨海默病的诊断.
• 通过结合批量规范化,掉落和密集层来提高模型的有效性和精度.

主要方法:

• 利用了基于CNN架构的转移学习.
• 扩展模型具有批量规范化,掉落和密集层.
• 在KaggleMRI阿尔茨海默病数据集 (5120培训,1280测试图像) 上评估模型,使用精度,回忆,F1得分,准确性和ROC-AUC指标.

主要成果:

• 增强的Xception模型实现了99%的准确性和0.135的损失得分,没有K折交叉验证.
• 通过5K倍的交叉验证,准确度增加到99.68%,损失减少到0.120.
• ROC-AUC评估进一步支持了该模型的诊断能力.

结论:

• 增强的Xception模型在阿尔茨海默病的检测和分类方面表现出高准确性和效率.
• 该研究验证了转移学习和模型增强用于医学图像分析的有效性.
• 拟议的方法为快速和准确的阿尔茨海默病诊断提供了一个有希望的工具.