一个基于兴趣的融合网络卷积神经网络模型的多模式和多阶段区域,以区分渐进的轻度认知障碍和稳定的轻度认知障碍
Zhenpeng Chen1, Beier Qi1,2, Bin Jing1
1School of Biomedical Engineering, Beijing Key Laboratory of Fundamental Research on Biomechanics in Clinical Application, Capital Medical university, Beijing, Beijing, China.
Journal of Alzheimer's disease : JAD
|November 22, 2024
概括
一个新的深度学习模型有效地使用脑成像来区分渐进的轻度认知障碍 (pMCI) 和稳定的MCI (sMCI). 这一进步有助于早期发现和治疗阿尔茨海默病 (AD).
科学领域:
- 神经成像是一种神经成像.
- 人工智能在医学中的应用
- 认知神经学 认知神经学
背景情况:
- 区分稳定的轻度认知障碍 (sMCI) 和渐进的轻度认知障碍 (pMCI) 对于在阿尔茨海默病 (AD) 进展之前及时干预至关重要.
- 早期识别pMCI对于启动可能减缓疾病进展的治疗至关重要.
研究的目的:
- 开发和验证一个卷积神经网络 (CNN) 模型来区分pMCI和sMCI.
- 整合结构磁共振成像 (sMRI) 和正子发射断层扫描 (PET) 的多模式成像功能,以提高诊断准确度.
主要方法:
- 提出了一个基于兴趣区域 (ROI) 的多模式和多阶段融合网络 (m2ROI-FN) CNN.
- 整合了来自3D等级CNN的深度语义特征,并使用了FreeSurfer的形态指标.
- 从sMRI和PET图像中利用十个与AD相关的ROI作为输入,并使用多层感知子分类器进行最终识别.
主要成果:
- 该m2ROI-FN模型通过5倍交叉验证在ADNI数据库上实现了77.4%的准确性来区分pMCI和sMCI.
- 在ADNI-1&2的独立测试中,准确率为73.2%,在ADNI-3&GO的准确率为75%,证明了多中心的概括性.
结论:
- 拟议的m2ROI-FN模型通过捕捉sMRI和PETROI的独特特征,有效地区分pMCI和sMCI.
- 这种深度学习方法显示出在MCI早期诊断和管理中临床应用的巨大潜力.
