MIMI-ONET:通过蝶进行多模式图像增强 针对亨廷顿病检测优化神经网络
1Department of Computer Science and Engineering, Arunachala College of Engineering for Women, Manavilai, Nagercoil, Tamil Nadu, India.
Brain research
|February 26, 2025
概括
这项研究介绍了MIMI-ONET,这是一种使用增强型多模态MRI图像用于亨廷顿病的新方法.
科学领域:
- 神经成像是一种神经成像.
- 医学诊断 医学诊断 医学诊断
- 人工智能的人工智能
背景情况:
- 亨廷顿病 (HD) 是一种神经退行性疾病,对认知,运动功能和精神健康有重大影响.
- 目前的HD检测方法由于小的注释数据集而面临限制,这阻碍了它们的概括能力.
- 需要先进的AI技术来提高HD诊断的准确性和可靠性.
研究的目的:
- 提出一个新的深度学习框架,MIMI-ONET,用于亨廷顿病 (HD) 的初级检测.
- 增强多模态脑MRI图像,以改善特征提取和分类.
- 通过先进的数据增强来解决HD检测中有限的注释数据集的挑战.
主要方法:
- 使用二维静止波段转换 (2DSWT) 进行MRI图像分解成频率子频段.
- 应用合同伸展自适应基因图平衡 (CSAHE) 和多尺度自适应视网膜 (MSAR) 用于图像增强.
- 引入了一个Hepta生成对抗网络 (Hepta-GAN) 带有Affin估计模块 (AEM) 和蝶优化 (BO) 用于无噪声的图像生成和增强.
- 使用深度神经网络 (DNN) 来分类正常对照 (NC),成人发病的HD (AHD) 和青少年的HD (JHD) 病例.
主要成果:
- 拟议的MIMI-ONET在Image-HD数据集上实现了98.85%的高精度.
- 该系统的峰值信号与噪声比 (PSNR) 为48.05.
- 与现有框架相比,MIMI-ONET显著提高了分类准确性,收益范围为1.85%至13.80%.
结论:
- MIMI-ONET提供了一种强大而准确的方法,用于使用增强型多模态MRI数据检测亨廷顿病.
- 新的Hepta-GAN框架有效地产生多样化,高质量的高清图像,克服数据稀缺问题.
- 这项研究为人工智能驱动的神经退行性疾病诊断提供了有前途的进展.
