加强医疗保健建议:将学习转移到深层卷积神经网络中,用于阿尔茨海默病检测和检测

科学领域:

• 神经成像和计算神经科学.
• 医疗诊断中的人工智能.

背景情况:

• 神经退行性疾病如阿尔茨海默氏症 (AD) 和轻度认知障碍 (MCI) 严重影响认知功能.
• 磁共振成像 (MRI) 对于检测这些条件下的结构性大脑变化至关重要.

研究的目的:

• 开发和评估使用MRI数据检测AD和MCI的深度学习模型.
• 在ADNI和OASIS数据集上比较各种深度学习架构的性能.

主要方法:

• 利用了ADNI和OASIS的MRI数据集,应用了预处理步骤,如高斯过,对比度增强和U-Net用于头骨剥离.
• 研究了深度学习模型,包括DenseNet-201,EfficientNet-B0,ResNet-50,ResNet-101和ResNet-152与转移学习.
• 执行多类 (AD与认知正常 (CN) 与MCI) 和二进制 (AD与CN,MCI与CN) 分类.

主要成果:

• 在多类分类 (AD,CN,MCI) 中,ResNet-101实现了高精度 (98.21%在ADNI上,97.45%在OASIS上).
• ResNet-101在AD与CN二进制分类中也表现出强的表现.
• 在OASIS数据集上,ResNet-152在MCI与CN二进制分类方面表现特别强.

结论:

• 深度学习模型,特别是ResNet架构,可以有效地从MRI数据中准确识别和区分神经退行性疾病.
• 这些发现突显了人工智能驱动的神经成像分析的潜力,以改善AD和MCI的临床诊断和患者管理.