在结构性和功能性MRI中早期检测阿尔茨海默病

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 阿尔茨海默病 (AD) 诊断依赖于早期检测以进行有效的干预.
• 功能磁共振成像 (fMRI) 提供了对AD相关的大脑功能的见解.
• 对海马体和心室等大脑结构的准确细分对于分析fMRI数据至关重要.

研究的目的:

• 在fMRI中实施先进的深度学习模型 (Deep-Residual-U-Net,DeepLabV3+) 进行海马和心室的精确细分.
• 通过将VGG-16与随机森林 (VGG-16-RF) 和支持矢量机器 (VGG-16-SVM) 集成,提高阿尔茨海默病二元分类的准确性.
• 将这些混合分类器的性能与AD检测的传统方法进行比较.

主要方法:

• 利用OpenNeuro和哈佛的数据节点用于阿尔茨海默氏症冠状fMRI数据集.
• 使用Deep-Residual-U-Net和DeepLabV3+对心室和海马体进行细分.
• 提取的功能特征和使用的分类器包括SVM,Adaboost,后勤回归,VGG-16,DenseNet-169,VGG-16-RF和VGG-16-SVM.

主要成果:

• 深度实验室V3+实现了94.62%的细分精度 (贾卡德:85.5%,子:84.75%).
• 支持矢量机 (SVM) 显示了93%的分类准确度.
• VGG-16-RF分类器表现出卓越的性能,准确度为96.87%.

结论:

• 该研究提出了一个新的框架,将高级深度学习细分与混合分类器集成在一起,以实现强大的和可扩展的早期AD检测.
• 这些发现意味着通过深度学习和功能连接分析在早期发现阿尔茨海默病方面取得了重大进展.
• 这种方法对于及时干预和改善神经退行性疾病管理至关重要.