使用基于深度学习的双重特征提取网络检测运动神经系统疾病
Sony Helen S1, Joseph Jawhar S2
1Department of CSE, Anna University, Chennai, India.
概括
这项研究引入了一种新的深度学习网络,用于早期检测运动神经系统疾病 (MND). 杜普尔特征提取网络实现了高准确度,改善了这种衰弱的神经疾病的早期诊断.
科学领域:
- 神经学 神经学
- 计算机科学 计算机科学
- 医疗成像医学成像
背景情况:
- 运动神经疾病 (MND) 是一种进展性神经疾病,影响运动神经元和自愿运动.
- 早期发现MND至关重要,但由于手动识别的耗时性质,具有挑战性.
- 为了快速准确的MND分类,需要自动化方法,特别是深度学习.
研究的目的:
- 提出一种基于深度学习的新双重特征提取网络,用于早期运动神经系统疾病 (MND) 的识别.
- 与传统的手动方法相比,提高MND检测的准确性和速度.
- 开发一个自动化系统,以改善MND的早期诊断.
主要方法:
- 使用高斯适应双边过器 (GAB) 进行扩散张力成像 (DTI) 的预处理.
- 双特征提取:通过LinkNet进行本地和全球采样 (LOG) 的颜色信息特征 (CIF),以及通过MobileNet进行边缘采样的本地二进制模式 (LBP).
- 使用深度神经网络 (DNN) 用提取的颜色和纹理特征来分类MND级别.
主要成果:
- 拟议的Duple特征提取网络实现了99.62%的准确率.
- 与FNN,GNN和GRU相比,DNN的F1分数有所改善 (1.32%至3.18%).
- 与CNN,SVM-RFE,MLP和三平面CNN相比,整体准确性显著提高 (比5.56%增加到6.68%).
结论:
- 基于深度学习的新型Duple特征提取框架显示了运动神经系统疾病早期检测的重大前景.
- 拟议的方法大大提高了准确性和F1分数,超过了现有的模型.
- 这个框架提供了一个更有效,更准确的方法来诊断MND在早期阶段.
