ZF-QDCNN:基于ZFNet和量子扩展卷积神经网络,使用MRI图像检测阿尔茨海默病

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:

• 阿尔茨海默病 (AD) 是一种进展性神经系统疾病,导致不可逆转的记忆丧失.
• 早期的AD症状可能是微妙的,模仿正常的与年龄相关的认知变化,使早期诊断复杂化.
• 准确和早期发现AD对于及时干预和管理至关重要.

研究的目的:

• 开发和评估一种新的深度学习模型,用于使用磁共振成像 (MRI) 早期检测阿尔茨海默病.
• 将Zeiler和Fergus网络 (ZFNet) 与量子扩展卷积神经网络 (QDCNN) 集成,以创建一个先进的分类系统.
• 评估拟议模型在从MRI数据中识别阿尔茨海默病的诊断性能.

主要方法:

• 利用MRI图像的数据集来检测阿尔茨海默氏症.
• 使用高斯过器预处理的MRI图像.
• 使用医学频道智能特征金字塔网络 (CFPNet-M) 进行大脑区域细分.
• 使用Zeiler和Fergus量子扩展卷积神经网络 (ZF-QDCNN) 提取了相关特征并对阿尔茨海默病进行了分类.

主要成果:

• 该ZF-QDCNN模型实现了高诊断性能.
• 在AD检测中获得了91.7%的精度,90.7%的灵敏度,92.7%的特异性和91.8%的f-测量.
• 证明了该模型在从MRI图像中分类阿尔茨海默病的有效性.

结论:

• 拟议的ZF-QDCNN模型是早期诊断阿尔茨海默病的有希望的工具.
• 集成ZFNet和QDCNN显示了提高AD检测准确性的巨大潜力.
• 这种人工智能驱动的方法可以帮助临床医生在早期识别和管理阿尔茨海默病.