技能Al-Biruni地球半径优化用于阿尔茨海默氏症的疾病分类使用磁共振图像
P Gowsikraja1, K Geetha2, C Rajan3
1Department of Computer Science and Design, Kongu Engineering College, Erode, Tamil Nadu, India.
NMR in biomedicine
|January 31, 2025
概括
这项研究引入了一个新的AI模型,SBERO_Deep SNN,用于使用MRI扫描对阿尔茨海默氏病 (AD) 进行分类. 该模型在早期AD检测中表现出高准确性,为临床诊断提供了一个有前途的工具.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 阿尔茨海默氏症 (AD) 是导致痴呆的主要原因,由于症状与正常衰老和其他认知障碍重叠,导致诊断挑战.
- 准确和早期的AD分类对于及时干预和管理至关重要.
- 目前的诊断方法需要提高精度,特别是区分早期的AD.
研究的目的:
- 开发和评估使用磁共振成像 (MRI) 进行阿尔茨海默病分类的新型深度学习模型.
- 通过优化的深度尖端神经网络,提高AD诊断的准确性和可靠性.
- 为区分AD与其他认知障碍提供强大的工具,特别是在疾病早期阶段.
主要方法:
- 提出了一种技能Al-Biruni地球半径优化支持的深尖神经网络 (SBERO_Deep SNN) 用于AD分类.
- 使用MRI图像增强的值和UNeXT与SBERO优化进行细分.
- 提取了统计特征,局部二进制模式 (LBP) 和梯度定向模式 (GDP) 用于使用SBERO训练的深度SNN进行分类.
主要成果:
- SBERO_Deep SNN模型实现了高性能指标:准确率为90.49%,灵敏度为89.98%,特异性为90.16%.
- 与AD分类中现有的最先进技术相比,提出的方法显示出更高的性能.
- 定性分析证实了该模型在区分AD与其他认知疾病 (包括早期病例) 中的稳定性.
结论:
- SBERO_Deep SNN提供了一种高度准确和可靠的方法,用于使用MRI对阿尔茨海默氏病进行分类.
- 这种新的方法显示出作为临床诊断工具的巨大潜力,有助于早期发现和区分AD.
- 优化策略和深尖神经网络架构有助于改善神经退行性疾病的诊断能力.
