混合优化启用了DenseNet用于使用MRI图像的自闭症谱系障碍
Sakthi Ulaganathan1, Pon Harshavardhanan2, N V Ganapathi Raju3
1Department of Computational Intelligence, School of Computing, SRM Institute of Science and Technology, Kattankulathur, Chennai 603203, India.
Computational biology and chemistry
|January 10, 2025
概括
这项研究介绍了JSTO-DenseNet,这是使用脑MRI图像检测自闭症谱系障碍 (ASD) 的新型模型. 该模型实现了高精度,改善了早期诊断,并减少了与传统方法相关的并发症.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 自闭症谱系障碍 (ASD) 是一种影响社会互动和沟通的神经发育障碍.
- 目前用于ASD的早期检测方法面临挑战,包括时间限制和有限的诊断可访问性.
- 需要先进的计算模型来提高ASD诊断的准确性和效率.
研究的目的:
- 开发和评估JSTO-DenseNet模型,以使用脑磁共振成像 (MRI) 准确有效地检测自闭症谱系障碍 (ASD).
- 通过克服现有检测技术的局限性,提高ASD的早期诊断.
主要方法:
- 图像预处理技术包括高斯过以减少噪声和兴趣区域 (ROI) 提取.
- 从MRI扫描中使用灰色水平共发生矩阵 (GLCM) 和纹理特征 (LTP,LOOP,HOG) 来提取特征.
- 开发一种新的Jaya培训优化 (JSTO) 算法,将Jaya算法和培训基础优化 (STBO) 结合起来,用于特征选择和DenseNet模型培训.
主要成果:
- 该JSTO-DenseNet模型表现出卓越的性能,准确率为94.8%,真正率 (TPR) 为90%,真负率 (TNR) 为90.5%.
- 实现了89.8%的未加权平均召回率 (UAR) 和最低的虚假阴性率 (FNR) 86.7%.
- 超过了传统方法,包括可解释的人工智能 (XAI) 和各种深度学习方法在Abide 1数据集上.
结论:
- 根据MRI数据,JSTO-DenseNet模型提供了一种高度准确和有效的方法,用于早期检测自闭症谱系障碍 (ASD).
- 新的JSTO优化算法显著提高了DenseNet模型在ASD分类中的性能.
- 这项研究为改善ASD患者的诊断结果和可访问性提供了一个有前途的工具.
