一个集成的深度学习模型,用于早期和多类诊断阿尔茨海默病的MRI扫描的阿尔茨海默病
Emanuel Raju Vinukonda1, B N Jagadesh2
1School of Computer Science and Engineering, VIT-AP University, Vijayawada, 522237, India.
Scientific reports
|May 17, 2025
概括
这项研究引入了一种混合深度学习系统,用于使用MRI扫描检测阿尔茨海默病 (AD). 这种新的方法准确地将AD分为四个阶段,改善了早期诊断和患者护理.
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) 是一种进展性神经退行性疾病,影响认知功能.
- 早期和准确的阿尔茨海默病诊断对于及时干预至关重要,但仍然具有挑战性.
- 磁共振成像 (MRI) 为AD评估提供了对大脑结构的宝贵见解.
研究的目的:
- 开发一种混合深度学习系统,使用MRI对阿尔茨海默氏症 (AD) 进行多类分类.
- 为了提高早期AD检测和分期的准确性和效率.
- 改进AD的临床诊断和患者管理.
主要方法:
- 一个混合深度学习模型,集成改进的DeepLabV3+ (IDeepLabV3+) 用于病变细分和LeNet-5用于特征提取.
- 一种新的特征选择方法,利用平均相关性和错误概率来优化分类.
- 一个增强的ResNext (EResNext) 模型将AD分为四个阶段:非痴呆 (ND),非常轻度痴呆 (VMD),轻度痴呆 (MD) 和中度痴呆 (MOD).
主要成果:
- 拟议的混合深度学习模型在分类AD阶段方面实现了98.12%的高精度.
- 该模型与现有的AD检测和分期方法相比,表现优越.
- 在中度痴呆症中,ROC曲线下的面积 (AUC) 达到0.97,验证了该模型的有效性.
结论:
- 混合深度学习模型显示了使用MRI改善早期AD检测和分期的巨大潜力.
- 开发的系统为阿尔茨海默病的更准确的临床诊断提供了一个有前途的工具.
- 增强的诊断能力可以带来更好的病人护理和AD的管理策略.
