一个微调的卷积神经网络模型,用于准确地对阿尔茨海默病进行分类

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 阿尔茨海默病 (AD) 是导致痴呆的主要原因,需要早期诊断才能有效管理.
• 用于AD检测的传统机器学习模型面临的局限性包括数据依赖性,不良概括性和漫长的再培训周期.
• 深度学习模型虽然强大,但需要大量的计算资源和广泛的数据集.

研究的目的:

• 开发一种用于早期阿尔茨海默病诊断的改进方法.
• 利用卷积神经网络 (CNN) 进行转移学习,以提高使用MRI扫描进行AD检测.
• 克服传统机器学习和深度学习在阿尔茨海默病诊断中的局限性.

主要方法:

• 利用磁共振成像 (MRI) 数据用于阿尔茨海默病 (AD) 诊断.
• 使用预先训练有素的卷积神经网络 (CNN) 架构的转移学习技术:AlexNet,GoogleNet和MobileNetV2.
• 测试了各种解决方案,包括Adam,静态梯度下降 (SGD) 和根平均平方传播 (RMSprop).

主要成果:

• 实现了高分类准确度:Kaggle MRI数据集上的99.4%,在开放式访问系列成像研究 (OASIS) 数据库上的98.2%.
• 证明了转移学习在提高诊断准确性的有效性,即使训练数据有限.
• 与传统方法相比,展示了降低的培训成本和改进的模型概括性.

结论:

• 转移学习提供了一种有效的解决方案,以提高阿尔茨海默病诊断的准确性和效率.
• 提出的基于CNN的转移学习模型可以更早,更准确地识别AD.
• 改进的诊断能力可以导致更好的患者治疗管理和对疾病进展的洞察力.