使用深 convolutional 神经网络在MRI图像中增强的神经异常检测
Ahmed Mateen Buttar1, Zubair Shaheen1, Abdu H Gumaei2
1Department of Computer Science, University of Agriculture Faisalabad, Faisalabad, Pakistan.
Frontiers in medicine
|January 13, 2025
概括
一个新的深度学习框架自动化了对帕金森病和阿尔茨海默病等疾病的神经诊断. 这种深层卷积神经网络 (DCNN) 在MRI扫描中检测神经异常时达到98.44%的准确性,提高了诊断效率.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 神经退行性疾病由于复杂性和手动解释局限性而存在诊断挑战.
- 目前用于诊断帕金森病,阿尔茨海默病和等疾病的方法是耗时且变化的.
- 自动化神经诊断对于及时准确的患者护理至关重要.
研究的目的:
- 开发和评估深度学习框架,用于MRI数据中神经系统异常的自动检测和分类.
- 解决神经诊断中手动解释的局限性.
- 提高诊断神经退行性疾病的准确性和效率.
主要方法:
- 一个专门的深层卷积神经网络 (DCNN) 被设计用于MRI分析.
- 预处理包括降低MRI扫描的噪声和强度正常化.
- DCNN使用了ReLU激活,Adam优化器和随机搜索超参数调整,并进行交叉折叠验证以确保可靠性.
主要成果:
- 拟议的DCNN在MRI数据上实现了98.44%的分类准确性.
- 性能指标 (精度,召回,F1得分) 证实了该模型的稳定性,表现优于ResNet-50和AlexNet.
- 统计分析验证了DCNN框架的显著性能改进.
结论:
- 开发的DCNN框架代表了自动神经诊断技术的重大进步.
- 检测神经异常的高精度可以改善诊断工作流程,并支持个性化治疗策略.
- 建议进一步研究整合多式联络数据,以提高临床效用,并在各种场景中评估性能.


