双重MONDNet:基于深度学习的双重移动网络,用于识别运动神经元疾病

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 运动神经元疾病 (MND) 是一种罕见的神经系统疾病,逐渐影响自愿肌肉控制.
• 早期诊断MND是具有挑战性和耗时的当前手动方法.
• 早期识别MND对于潜在的干预和管理至关重要.

研究的目的:

• 开发一种新的深度学习框架,用于早期检测运动神经元疾病 (MND).
• 通过神经成像数据提高MND诊断的准确性和效率.

主要方法:

• 扩散张力成像 (DTI) 图像使用双特征提取,结合颜色和纹理信息进行分析.
• 局部二进制模式 (LBP) 方法提取了纹理特征,而色彩特征则在分类过程中被纳入.
• 开发了一个深度学习模型,MONDNet,以根据提取的特征对正常和异常MND病例进行分类.

主要成果:

• 拟议的MONDNet实现了99.66%的早期MND的高检测率.
• 该模型在基于DTI扫描的结合色彩和纹理特征的MND识别方面表现出有效性.

结论:

• 基于深度学习的MONDNet框架显示了对运动神经元疾病的早期和准确检测的重大前景.
• 这种方法为MND的手动诊断方法提供了更有效的替代方案.