预测阿尔茨海默病使用修改DNN与最佳特征选择基于海优化优化的阿尔茨海默病
Ashok Bhansali1, Devulapalli Sudheer2, Shrikant Tiwari3
1Dept of Computer Engineering and Applications, GLA University, Uttar Pradesh, Mathura, 281406, India.
Journal of imaging informatics in medicine
|December 11, 2024
概括
这项研究引入了一种先进的方法,用于使用脑MRI扫描来诊断阿尔茨海默病. 这种新的方法将混合特征提取与深度神经网络相结合,用于准确的预测.
科学领域:
- 神经学 神经学
- 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) 是一种神经退行性疾病,导致不可逆转的脑细胞和组织损失,显著影响记忆力.
- 由于大脑过程和医学图像中的像素强度的微妙差异,诊断AD具有挑战性,阻碍了传统的机器学习分类.
- 现有的方法在精确检测阿尔茨海默氏病所需的复杂特征表示上扎.
研究的目的:
- 开发一种准确和强大的方法来使用大脑磁共振成像 (MRI) 预测阿尔茨海默病.
- 通过采用先进的特征提取和优化技术,克服传统机器学习在阿尔茨海默病分类方面的局限性.
- 通过一种新的深度神经网络 (DNN) 模型,提高阿尔茨海默病的诊断能力.
主要方法:
- 混合特征提取结合灰色水平运行长度矩阵 (GLRLM),加博波波变换和基于局部能量的形状组图 (LESH) 进行脑MRI分析.
- 图像预处理,包括使用BW-net技术进行大小调整和增强.
- 使用SEAGULL优化算法进行最佳特征选择,然后对修改后的深度神经网络 (DNN) 进行疾病预测的训练.
主要成果:
- 拟议的模型实现了高性能指标:91%的精度,2%的误差,98%的准确性和97%的回忆.
- 混合特征提取有效地捕获了脑MRI扫描中的形状,纹理和边缘信息.
- 通过SEAGULL优化技术,成功地选择了最佳特征,以改善DNN模型训练.
结论:
- 开发的阿尔茨海默病预测模型,利用修改后的DNN和SEAGULL优化的功能,与现有方法相比,表现出优越的性能.
- 整合GLRLM,Gabor波波变换和LESH提供了一种强大的方法,可以从脑MRI中提取分辨特征.
- 这项研究提出了一个有希望的AI驱动的解决方案,用于准确和高效的阿尔茨海默病诊断.
