早期诊断阿尔茨海默氏病使用基于多式核磁共振扫描的群体自我校准的协调注意网络

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 神经学 神经学

背景情况:

• 卷积神经网络 (CNN) 用于通过结构磁共振成像 (sMRI),功能磁共振成像 (fMRI) 和神经心理学数据来诊断阿尔茨海默病 (AD).
• 在CNN的固定的内核限制阻碍捕捉全球特征,影响AD的诊断效率.

研究的目的:

• 引入GSCANet,这是一个新的深度学习模型,用于使用多式联络数据准确诊断AD.
• 通过增强特征提取来克服CNN的局限性,以改善AD分类.

主要方法:

• 开发了GSCANet,结合了群体自我校准的模块,并协调了注意力,以加强空间和频道特征交互.
• 使用的多式联络数据:从sMRI,fMRI功能连接和神经心理学得分中获得的Haralick纹理特征.
• 在四类 (AD,EMCI,LMCI,NC),三类 (AD,MCI,NC) 和二进制分类 (AD与NC,EMCI与LMCI) 上评估了GSCANet.

主要成果:

• 在四个类别分类中达到78.70%的准确性 (AD与EMCI与LMCI与NC).
• 在三类分类 (AD vs. MCI vs. NC) 中达到83.33%的准确性.
• 在二进制分类中证明了高准确性:92.81%的AD与NC和84.67%的EMCI与LMCI.

结论:

• 通过扩大受体场和整合注意力机制,GSCANet有效地改善了阿尔茨海默病在不同阶段的分类.
• 该模型能够捕捉长距离的上下文交互和空间数据,从而提高诊断性能.
• 这些发现提供了对AD机制的见解,并证明了GSCANet在预测各种疾病方面的潜力.