一个基于卷积混合器的深度学习网络,用于从结构磁共振成像中对阿尔茨海默病的分类
M Krithika Alias Anbu Devi1, K Suganthi1
1School of Electronics Engineering, Vellore Institute of Technology, Chennai 600127, India.
Diagnostics (Basel, Switzerland)
|June 13, 2025
概括
这项研究引入了一种新的深度学习模型,用于使用结构性MRI扫描对阿尔茨海默病 (AD) 进行分类. 该模型在识别AD阶段方面达到很高的准确性,为早期诊断和干预提供了一个有前途的工具.
科学领域:
- 神经成像和人工智能的人工智能
- 医学图像分析 医学图像分析
- 机器学习用于医疗保健
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,需要准确的诊断工具来及时干预.
- 目前的诊断方法需要改进,以便精确地分阶段确定AD的进展,特别是考虑到医学成像数据集中阶级不平衡的挑战.
研究的目的:
- 开发和验证一种新的,高效的深度学习架构,用于使用结构性MRI (sMRI) 来分类阿尔茨海默病的阶段.
- 用混合采样技术解决医学成像数据集中的类不平衡问题.
- 通过可解释的人工智能方法提高模型的解释性.
主要方法:
- 一个新的AD分类架构,结合深度可分离和传统的卷积层,以从sMRI扫描中高效地提取特征.
- 实施混合抽样方法 (SMOTE + ENN) 以减轻阶级不平衡问题.
- 使用激活空间封闭灵敏度图 (ASOP) 来解释AI,突出影响分类的关键图像区域.
主要成果:
- 与已建立的转移学习架构 (VGG19,DenseNet201,EfficientNetV2S,MobileNet,ResNet152,InceptionV3,Xception) 相比,拟议的模型实现了更高的性能.
- 获得了特殊的分类指标:98.87%的准确性,98.86%的F1分数,98.80%的精度和98.69%的回忆力用于AD阶段分类.
- 混合采样和ASOP方法有效地解决了类不平衡,并为模型决策提供了视觉解释.
结论:
- 开发的深度学习模型在sMRI的阿尔茨海默病阶段分类方面表现出高的有效性和效率.
- 集成先进的卷积技术,混合采样和可解释的人工智能为神经退行性疾病诊断提供了强大的解决方案.
- 这种方法在改善阿尔茨海默病管理中的早期检测和个性化治疗计划方面具有显著的潜力.
