早期检测阿尔茨海默病的进展阶段使用混合的CNN和变压器编码器模型的混合

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) 诊断是具有挑战性的,因为手动解释错误和早期检测的需要.
• 磁共振成像 (MRI) 提供了详细的脑部可视化,但需要对微妙疾病指标进行高级分析.
• 人工智能 (AI) 在分析复杂的医学图像 (如MRI) 方面表现有前途,以准确地确定疾病的阶段.

研究的目的:

• 开发和评估一种新的AI方法,用于使用MRI增强阿尔茨海默病 (AD) 诊断.
• 将卷积神经网络 (CNN) 和视觉转换器 (ViT) 模型结合起来,从脑MRI扫描中进行全面的特征提取.
• 与手动方法相比,提高AD检测的准确性和效率.

主要方法:

• 使用自适应中间波器 (AMF) 和拉普拉斯波器进行MRI图像的预处理.
• 使用修改后的ResNet101和GoogleLeNet (CNNs) 来进行本地特征提取,以及修改后的Vision Transformer (ViT) 来进行全球特征提取.
• 实施混合ViT-CNN架构,特别是ResNet101-ViT和googleNet-ViT,用于AD分类.

主要成果:

• 该ResNet101-ViT混合模型实现了高诊断性能:98.7%的准确性,95.05%的AUC,96.45%的精度,99.68%的灵敏度和97.78%的特异性.
• 在 ResNet101-ViT 方法论上,它表现出比 GoogLeNet-ViT 方法更优异的性能.
• 人工智能模型有效地从MRI扫描中提取微妙,局部和全球特征,用于AD识别.

结论:

• 拟议的混合ResNet101-ViT人工智能模型提供了一种非常准确和可靠的方法来通过MRI扫描来诊断阿尔茨海默病.
• 这种人工智能驱动的方法可以帮助更早,更精确地检测AD,潜在地克服手动诊断的局限性.
• 该研究强调了将CNN和ViT集成为神经退行性疾病研究中先进的医学图像分析的潜力.