一个基于集体的3D残余网络用于阿尔茨海默病的分类

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 阿尔茨海默病 (AD) 是导致痴呆的主要原因,轻度认知障碍 (MCI) 是关键的前体.
• 早期诊断MCI对于管理AD进展至关重要,但区分MCI与正常对照 (NC) 和区分早期MCI (EMCI) 与晚期MCI (LMCI) 存在诊断挑战,原因是微妙的神经成像变化.

研究的目的:

• 开发和评估一种新的深度学习方法,以准确诊断阿尔茨海默病.
• 通过神经成像数据,改善正常认知,MCI和MCI不同阶段 (EMCI和LMCI) 的差异化.

主要方法:

• 实施一个集体学习策略,整合多个3DResNet架构 (ResNet-18,ResNet-34,ResNet-50).
• 整合了卷积块注意模块 (CBAM),以提高模型对相关图像特征的关注度.
• 应用数据增强技术来解决数据局限性并提高模型的稳定性.
• 利用基于概率的加权整体方法,将来自单个3D CNN模型的预测结合起来.

主要成果:

• 实现了高诊断准确度:MCI与NC的94.87%,MCI与NC的92.31%. AD. 副总经理.
• 在区分MCI阶段方面表现出强的表现:95.49%的EMCI与LMCI.
• 在四个类别的分类中获得了极好的准确性:95.97%的NC与EMCI与LMCI与LMCI. AD. 副总经理.

结论:

• 提出的深度学习组合方法有效地诊断阿尔茨海默病及其前体阶段.
• 3D ResNet,CBAM和集体学习的整合为使用神经成像进行早期和准确的AD检测提供了一个有希望的方法.