在ADNI数据集中使用结构性MRI进行阿尔茨海默氏症疾病分类的生物灵感混合模型

科学领域:

• 人工智能的人工智能
• 神经科学是一个神经科学.
• 医疗成像医学成像

背景情况:

• 由于微妙的早期神经解剖学变化,阿尔茨海默病 (AD) 诊断具有挑战性.
• 准确地确定AD的阶段对于及时干预和治疗至关重要.

研究的目的:

• 开发和评估一种混合CNN-SNN模型,使用结构性MRI数据对阿尔茨海默病,轻度认知障碍和认知正常受试者进行分类.
• 利用CNN用于空间特征提取和SNN用于神经退行过程中的时间动态处理的优势.

主要方法:

• 设计了一个混合CNN-SNN架构,集成CNN用于空间特征学习和SNN与漏洞集成和发射神经元用于时间处理.
• 该模型使用来自阿尔茨海默氏症神经成像计划 (ADNI) 的结构性MRI数据进行了训练,以完成三类分类任务.
• 优化涉及MSE损失,L2规范化,Adam优化器和早期停止以确保通用化.

主要成果:

• 混合CNN-SNN模型在AD阶段的分类中取得了高准确性.
• 一项废除研究揭示了SNN元件的关键作用,其去除将精度从99.58%显著降低到75.67%.
• 该模型展示了捕捉神经退行症的复杂时空模式的能力.

结论:

• 混合CNN-SNN架构提供了使用神经成像数据进行AD诊断的计算效率高和生物学可信的方法.
• 这种方法有可能提高神经退行性疾病的早期检测和分层.
• 这些发现支持将神经形态原理纳入医疗保健系统,以改善诊断.