一个全面的混合模型:将生物灵感优化和深度学习结合起来,用于阿尔茨海默病的识别和诊断

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 计算智能是一种计算智能.

背景情况:

• 阿尔茨海默病 (AD) 是一种进展性神经退行性疾病,导致认知能力下降.
• 准确的诊断和AD的监测对于有效的患者护理和治疗决策至关重要.
• 当前的诊断方法可以通过先进的图像细分和分类技术来增强.

研究的目的:

• 开发和评估一种新的生物灵感混合优化技术,用于对AD诊断相关的大脑子区域进行细分.
• 通过增强图像细分,提高识别阿尔茨海默病生物标志物的准确性.
• 将细分与深度学习整合在一起,以准确地分类AD患者和正常对照.

主要方法:

• 一种混合方法,将灰狼优化 (GWO) 和哈里斯优化 (HHO) 结合起来,用于大脑区域细分.
• 在GWO和HHO框架内同步更新子群的位置,以完善细分.
• 应用深度学习 (DL) 技术来对正常对照 (NC) 和AD患者进行分段后分类.
• 使用统计测量与地面真相 (GT) 对细分精度的验证.

主要成果:

• 混合GWO-HHO技术实现了92%的细分精度.
• 拟议的混合方法与单独使用HHO相比,显示出更高的性能.
• 深度学习分类在区分NC和AD时实现了90%的准确性.
• 使用迷你精神状态检查 (MMSE) 的临床验证支持疾病进展监测.

结论:

• 混合GWO-HHO技术为AD诊断提供了对大脑区域细分的重大进展.
• 细分和深度学习分类的综合方法显示了AD检测的高精度.
• 这种方法为临床医生在监测AD进展和做出治疗决策方面提供了宝贵的支持.