CSEPC:一种深度学习框架,用于对阿尔茨海默病中小样本多式联络医疗图像数据进行分类

科学领域:

• 医学成像分析 医学成像分析
• 神经退行性疾病研究研究
• 医疗保健中的机器学习

背景情况:

• 阿尔茨海默病 (AD) 构成了全球重大健康挑战,尤其对老年人来说.
• 准确地确定AD的阶段对于及时干预和疾病管理至关重要.
• 医学成像研究中的有限样本大小阻碍了有效的AD分类模型的开发.

研究的目的:

• 引入一种新的诊断算法,即跨度平衡金字塔合 (CSEPC),用于小样本多式联络医疗成像数据.
• 为了应对阿尔茨海默病 (AD) 分类中的有限样本大小的挑战.
• 为了提高AD诊断和分期的准确性.

主要方法:

• 开发了CSEPC,这是一种新的算法,集成了不同成像模式 (sMRI,fMRI) 和尺度的语义特征.
• 采用跨尺度的金字塔模块来实现平衡的多尺度特征提取.
• 使用基于对比学习的共弦相似性合来捕捉跨模式关联和降低参数,优化小样本大小.

主要成果:

• 在将轻度认知障碍 (MCI) 分类为AD进展方面,CSEPC模型实现了高精度 (85.67%) 和AUC (0.98).
• 在诊断阿尔茨海默氏病 (AD) 的不同阶段中表现出卓越的性能.
• 在阿尔茨海默病神经成像倡议 (ADNI) 数据集上的ADD分类任务中表现优于现有的模型.

结论:

• CSEPC算法显示了小样本多式联络医学成像分类的巨大潜力,特别是在AD.
• 这一进步可以帮助临床医生管理和干预早期的AD进展.
• 该模型在诊断和分期阿尔茨海默病的有效性突显了其临床实用性.