使用shearlet和深度学习集成的DCA增强的阿尔茨海默病检测

科学领域:

• 神经成像和人工智能的人工智能
• 机器学习用于医学诊断
• 神经退行性疾病研究研究

背景情况:

• 阿尔茨海默氏症痴呆症 (AD) 是一种进展性神经退行性疾病,影响认知功能和生活质量.
• 目前的治疗方法可以控制阿尔茨海默病的症状,但没有治愈方法;早期诊断对于有效的干预至关重要.
• 机器学习 (ML) 和深度学习 (DL) 通过先进的数据分析为早期AD检测提供了有前途的途径.

研究的目的:

• 为准确的早期阿尔茨海默氏症痴呆症诊断开发一个强大的和计算效率高的模型.
• 利用磁共振成像 (MRI) 数据来识别早期AD的微妙变化.
• 克服MRI数据分析的挑战,包括高维度和有限的样本大小.

主要方法:

• 利用来自阿尔茨海默病神经成像计划 (ADNI) 的数据集,包括200名不同认知状态的患者.
• 采用深度学习模型 (SqueezeNet-v1.1,MobileNet-v2,Xception,Inception-v3) 和3Dshearlet转换用于从MRI数据中提取特征.
• 集成的深度和shearlet-based功能使用区分相关性分析 (DCA) 并使用支持矢量机器 (SVM) 和决策树测量器 (DTB) 分类.

主要成果:

• 在不同时间点实现了早期阿尔茨海默病检测的高分类准确率:94.46% (18个月),92.97% (12个月) 和95.44% (在稳定诊断时).
• 拟议的特征表示和分类模型在通过MRI扫描识别AD方面表现出显著的有效性.
• 综合方法成功地解决了与MRI数据维度和可变性相关的挑战.

结论:

• 开发的ML / DL模型显示了使用MRI准确和早期诊断阿尔茨海默氏症痴呆症的强大潜力.
• 这项技术可以促进及时的治疗干预,潜在地改善患者的治疗结果和疾病管理.
• 进一步的研究可以完善这些方法,以便在神经退行性疾病诊断中得到更广泛的临床应用.