一种基于MRI检测阿尔茨海默氏病阶段的混合学习方法,使用双重CNN和整体分类器

科学领域:

• 医学成像分析 医学成像分析
• 医疗保健中的人工智能
• 神经科学是一个神经科学.

背景情况:

• 阿尔茨海默氏症 (AD) 和相关的痴呆症对全球健康构成重大挑战,其标志是渐进性的认知能力下降.
• 早期和准确发现AD对于及时干预和有效的患者管理至关重要.
• 计算机辅助诊断系统为提高AD检测准确度提供了一个有希望的途径.

研究的目的:

• 开发和评估一种混合人工智能 (AI) 系统,用于对阿尔茨海默氏症 (AD) 阶段进行分类.
• 为了利用磁共振成像 (MRI) 数据来增强AD检测.
• 结合卷积神经网络 (CNN) 和集体学习,以提高分类性能.

主要方法:

• 一种混合方法,利用两个并行CNN (网络1和网络2),用于从MRI数据中提取特征的独特架构.
• 图像预处理,包括大小调整和增强.
• 两个CNN的特征融合,然后使用支持矢量机组,随机森林和K-最近邻居组合进行分类.
• 通过网格搜索交叉验证进行超参数优化.

主要成果:

• 单个CNN的分类准确度为95.16%和97.97%的不同AD阶段.
• 从两个CNN输入组合分类器的组合特征集产生了高分类准确率99.06%.
• 拟议的混合模型在区分AD阶段方面表现出强的表现.

结论:

• 开发的混合人工智能方法显示了使用MRI数据准确分类阿尔茨海默病阶段的巨大潜力.
• 取得的高精度表明这种方法对于早期AD检测的实用性.
• 建议进行进一步的主体级验证和临床测试,以确认现实世界的适用性.