谱图卷积神经网络用于阿尔茨海默病诊断和多种疾病的分类,基于磁共振图像中的功能性大脑变化

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 阿尔茨海默病 (AD) 是一种进展性神经系统疾病,导致认知能力下降和痴呆,需要早期诊断才能有效管理.
• 磁共振成像 (MRI) 为诊断神经疾病提供了对大脑结构和功能的关键见解.
• 准确的诊断工具对于改善神经退行性疾病患者的治疗结果至关重要.

研究的目的:

• 引入和评估使用光谱图卷积神经网络 (SGCNN) 诊断阿尔茨海默病 (AD) 和其他疾病的新型框架.
• 通过MRI分析功能性大脑变化,以提高诊断准确度.
• 通过废除研究,评估结构修改对SGCNN性能的影响.

主要方法:

• 开发了一个基于光谱图卷积神经网络 (SGCNN) 的新型框架,用于使用MRI数据进行AD诊断.
• 在SGCNN模型上进行了系统的废弃研究,以评估性能变化.
• 将SGCNN变体与其他卷积神经网络 (CNN) 进行比较,包括Base CNN,Lean CNN和Deep CNN,使用准确度,精度,回忆和F1分数等指标.

主要成果:

• 原来的SGCNN模型实现了93%的基准分类准确度.
• 废弃模型1 (SGCNN模型1) 显示了最高的预测准确率95%,显著提高了性能.
• 其他评估的模型显示出具有竞争力的结果:基础CNN (93%),精益CNN (94%) 和深度CNN (94%).

结论:

• 经过修改的SGCNN,Ablation Model 1显示出作为阿尔茨海默病图像分类的强大工具的巨大潜力.
• 开发的SGCNN框架促进了神经退行性疾病的早期诊断和分类.
• 这项研究有助于提高AD的诊断能力,并通过精确的图像分析改善患者护理.