一种深度学习方法用于神经损伤的分类在手臂病使用磁共振神经学与修改的徒步旅行优化算法的神经损伤分类
Abdelghani Dahou1, Mohamed Abd Elaziz2, Mohamed G Khattap3
1School of Computer Science and Technology, Zhejiang Normal University, Jinhua321004, China (A.D.); Mathematics and Computer Science department, University of Ahmed DRAIA, 01000, Adrar, Algeria (A.D.).
Academic radiology
|April 29, 2025
概括
使用深度学习和优化的人工智能框架从MRN扫描中显著改进了手臂病的诊断,准确地分类了神经损伤的严重程度,并帮助临床决策.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 由于复杂的解剖学和重叠的症状,手臂病 (BPs) 存在诊断挑战.
- 磁共振神经图 (MRN) 提供先进的成像,但需要专门的解释.
- 精确地分类神经损伤的严重程度 (神经不良,轴突损伤,神经损伤) 对于有效的治疗至关重要.
研究的目的:
- 开发和验证基于人工智能的框架,以使用MRN数据改进手臂病的分类.
- 将深度学习 (DL) 与优化功能选择算法集成,以提高诊断准确度.
- 为了区分正常和异常的神经状况,并对损伤严重程度进行分类.
主要方法:
- 一个框架,将MobileNetV4用于特征提取和修改的徒步旅行优化算法 (MHOA) 与综合学习 (CL) 结合在一起,用于特征选择.
- 利用了来自39名手臂病患者的MRN数据,跨越STIR,T2,T1和DWI序列.
- 根据Seddon的标准对受伤进行分类,区分正常/异常状态和受伤严重程度.
主要成果:
- 在使用STIR和T2序列区分正常和异常条件时,获得了1.0000的准确性.
- 在使用STIR对伤害严重程度进行分类时,证明了高精度 (0.9820),优于其他元启发算法.
- 在DWI序列上报告了高分类准确性 (0.9667),具有整体高灵敏度和特异性.
结论:
- 人工智能框架通过准确地分类神经损伤类型,显著提高了手臂病的诊断.
- 整合DL和优化技术可以减少诊断的变化,为临床环境提供了有价值的工具.
- 这个框架有可能通过精确的诊断来改善临床决策和患者的结果.
