ViTAD:利用经过修改的视力转换器来对阿尔茨海默病的多阶段分类从脑部MRI扫描

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 神经学 神经学

背景情况:

• 阿尔茨海默病 (AD) 是一种进展性神经系统疾病,影响全球数百万人,需要准确的诊断工具.
• 早期和精确的AD诊断对于有效的患者管理和改善结果至关重要.
• 目前的诊断方法可能耗时,可能缺乏早期检测所需的精度.

研究的目的:

• 引入ViTAD,这是一种基于视觉转换器 (ViT) 的创新方法,用于从脑MRI图像中分类阿尔茨海默病的五个不同阶段.
• 通过超参数调整和额外层来提高ViT架构的性能,以改进AD阶段检测.
• 与传统的卷积神经网络 (CNN) 模型相比,评估ViTAD在AD阶段的多类分类中的有效性和效率.

主要方法:

• 一个经过修改的视觉变压器 (ViT) 架构,名为ViTAD,被开发用于AD分类.
• 这项研究使用了来自ADNI数据集的1,296张脑部MRI图像,分为五个阶段:认知正常 (CN),早期轻度认知障碍 (EMCI),晚期轻度认知障碍 (LMCI),轻度认知障碍 (MCI) 和阿尔茨海默病 (AD).
• 预处理涉及灰度到RGB转换,裁剪,拉普拉斯利和数据增强. 该模型对85%的数据进行了训练,并对15%的数据进行了测试.

主要成果:

• 在分类AD的五个阶段中,ViTAD实现了99.98%的特殊准确性,100%的精度和1.00的F1得分,在分类AD的五个阶段中.
• 与DenseNet和EfficientNet相比,该模型表现出优异的性能,在5类AD检测任务中面临挑战.
• 在8个时代内,ViTAD达到最佳精度,在速度和精度上明显超过传统的CNN模型.

结论:

• ViTAD为早期诊断阿尔茨海默病提供了一个高度准确和高效的自动化工具.
• 基于视觉转换器的方法显示了在AD管理中支持临床决策的巨大潜力.
• ViTAD的表现突显了变压器模型在医疗图像分析中对复杂的分类任务的优势.