卷积变异自动编码器和视觉转换器混合方法,用于增强早期阿尔茨海默病检测

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) 的患病率正在上升,需要改进早期检测方法.
• 目前针对阿尔茨海默病的治疗方法在早期开始时最有效.
• 早期诊断对于管理阿尔茨海默病的进展至关重要.

研究的目的:

• 开发和评估一种新的混合深度学习模型,用于自动诊断阿尔茨海默病.
• 通过医学图像分析提高AD检测的精度和速度.
• 利用深度学习来识别认知障碍的早期指标.

主要方法:

• 提出了一种混合模型,将卷积变化自动编码器 (CVAE) 与视觉变压器 (ViT) 集成在一起.
• CVAE用于从MRI扫描中提取特征和降低噪音.
• 具有多头注意力的ViT分析了精细的MRI数据以进行模式识别.

主要成果:

• 该CVAE-ViT模型在来自ADNI和SCAN数据库的14000个结构MRI扫描上进行了训练和验证.
• 达到93.3%的测试准确度,超过了三个基准方法.
• 与之前的阿尔茨海默氏症分类技术相比,显著改善.

结论:

• 混合CVAE-ViT方法显示了检测细微的结构异常的潜力,这表明AD.
• 使用CVAE无监督的特征提取增强了用于认知障碍分期的变压器模型.
• 这种方法可以显著改善早期阿尔茨海默病指标的识别.