基于智能磁共振成像的多阶段阿尔茨海默氏症疾病分类,使用swish-convolutional神经网络
1Department of Electronics and Communication Engineering, KGiSL Institute of Technology, Coimbatore, Tamil Nadu, India. archana.bala7@gmail.com.
Medical & biological engineering & computing
|November 15, 2024
概括
一种新的卷积神经网络 (CNN) 模型有效地从MRI扫描中检测阿尔茨海默氏病 (AD) 阶段. 拟议的AD-CNN实现了96.5%的准确性,超过了改善AD诊断的既定模型.
科学领域:
- 神经学和医学成像学
- 医疗保健中的人工智能
- 神经退行性疾病研究研究
背景情况:
- 阿尔茨海默病 (AD) 是一种神经疾病,导致认知能力下降和记忆力丧失,其特征是脑细胞退化.
- 准确检测AD阶段 (非痴呆,轻度,中度,非常轻度痴呆) 对于及时干预至关重要.
- 磁共振成像 (MRI) 对于可视化AD相关的大脑变化至关重要,但图像质量问题如噪音和差异阻碍了准确的诊断.
研究的目的:
- 开发和评估一种新的图像增强框架,以提高MRI扫描检测阿尔茨海默病的准确性.
- 将拟议的卷积神经网络 (CNN) 模型的性能与几种预训练模型进行比较,用于分类AD阶段.
- 通过使用先进的AI技术,提高不同类型的阿尔茨海默病的检测和识别的准确性.
主要方法:
- 来自阿尔茨海默氏病神经成像计划 (ADNI) 数据库的数据集使用头骨剥离,对比度增强和图像过进行了预处理.
- 采用数据增强技术,在四个阿尔茨海默病类别中平衡数据集.
- 预处理的数据被用来训练和测试五个预训练模型 (AlexNet,ResNet,VGG 16,EfficientNet,Inceptionv3) 以及一个具有Swish激活功能和Adam优化器的拟议的AD-CNN模型.
主要成果:
- 预训练模型的测试准确度在85.12% (Inceptionv3) 到93.45% (EfficientNet) 之间.
- 拟议的AD-CNN模型表现出卓越的性能,达到最高的测试准确率96.5%.
- 根据各种性能指标,AD-CNN模型在分类和识别阿尔茨海默病类别方面超过了所有经过测试的预训练模型.
结论:
- 开发的图像增强框架和拟议的AD-CNN模型显著提高了从MRI数据中检测阿尔茨海默病的准确性.
- 使用Swish激活函数的AD-CNN模型显示了在早期和准确的AD诊断中临床应用的特殊潜力.
- 这项研究强调了深度学习方法在分析神经退行性疾病分类的医疗图像方面的有效性.
