模糊优化注意网络与多实例深度学习 (FOAN-MIDL) 用于通过结构磁共振成像 (sMRI) 诊断阿尔茨海默病

科学领域:

• 神经成像和人工智能的人工智能
• 计算神经科学是一种计算神经科学.
• 医学诊断 医学诊断 医学诊断

背景情况:

• 阿尔茨海默病 (AD) 是痴呆的主要原因,其特点是神经退行,认知衰退和大脑结构变化.
• 目前的治疗方法可以缓解症状,但不能治愈AD;早期发现对管理至关重要.
• 结构磁共振成像 (sMRI) 有助于诊断,但识别微妙的异常仍然具有挑战性.

研究的目的:

• 引入具有多实例深度学习 (FOA-MIDL) 系统的模糊优化注意力网络.
• 增强早期检测阿尔茨海默氏病 (AD) 和其前期阶段,轻度认知障碍 (MCI).
• 通过识别歧视性病理特征,通过使用sMRI数据提高AD诊断的准确性.

主要方法:

• 用多实例深度学习 (FOA-MIDL) 系统开发模糊优化注意力网络.
• 实现基于注意力的案例权重的模糊Salp群算法 (FSSA).
• 利用注意力多实例学习 (MIL) 聚合和注意力意识的全球分类器进行特征分析.
• 在两个大型数据集上验证了系统:阿尔茨海默病神经成像计划 (ADNI) 和澳大利亚成像,生物标志物和生活方式老龄化旗舰研究 (AIBL).

主要成果:

• FOA-MIDL系统有效地识别大脑中的歧视性病理区域.
• 注意力机制,灵感来自salp蜂群行为,优化特征加权.
• 与现有的最先进的方法相比,该系统展示了优越的分类性能.

结论:

• FOA-MIDL系统为早期AD检测提供了更好的分类效率.
• 该方法在区分AD与健康对照或MCI时实现了高灵敏度,特异性和准确性.
• 这种人工智能驱动的方法显示出通过sMRI推进神经疾病诊断的巨大潜力.