RESIGN:使用混合深度学习的阿尔茨海默氏病检测基于Res-Inception Seg网络.
K Amsavalli1, S Kanaga Suba Raja2, S Sudha3,4
1Department of Artificial Intelligence and Data Science, Easwari Engineering College, Chennai, India.
Current Alzheimer research
|June 20, 2025
概括
这项研究引入了RESIGN深度学习模型,用于使用MRI扫描进行早期阿尔茨海默病 (AD) 检测. RESIGN实现了高精度,为临床诊断提供了可靠的工具,并改善了患者的治疗结果.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 阿尔茨海默病 (AD) 构成了重大的健康挑战,需要早期检测以改善患者的生存率.
- 由于大脑的复杂性,传统的诊断方法在准确识别早期的AD时面临局限性.
- 深度学习 (DL) 为提高AD诊断的准确性和效率提供了一个有希望的途径.
研究的目的:
- 提出和评估一种新的深度学习模型,ResIGN (Res-InceptionSeg),用于使用MRI图像早期检测阿尔茨海默病.
- 为了利用一种混合方法,将细分和分类结合起来,实现强大的AD诊断.
- 评估 RESIGN 与现有的深度学习模型在识别 AD,轻度认知障碍 (MCI) 和正常认知状态方面的表现.
主要方法:
- 用非局部介质 (NLM) 过器预处理MRI图像以减少噪音.
- 使用ResNet-LSTM模型从白物质 (WM),灰物质 (GM) 和脑脊液 (CSF) 中提取特征.
- 基于Inception V3的分类器和SegNet分别用于分类和异常大脑区域细分.
主要成果:
- RESIGN模型实现了99.46%的高精度,98.68%的特异性,95.63%的精度,97.10%的回忆率和95.42%的F1得分.
- 与包括ResNet,AlexNet,DenseNet和LSTM在内的几个已建立的深度学习模型相比,RESIGN表现出卓越的表现.
- 该模型显示了比ResNet18,CLSTM,VGG19和CNN显著的准确性改进.
结论:
- RESIGN模型的空间时间特征提取,混合分类和深度细分的整合为早期AD检测提供了一个高度可靠的方法.
- 通过5倍的交叉验证证实了稳定性,性能超过了ADNI数据集中的现有模型.
- RESIGN为临床诊断提供了可靠的工具,尽管潜在的数据集偏差和概括性限制需要进一步调查.
