一种混合过和深度学习方法,用于早期识别阿尔茨海默病

科学领域:

• 神经学 神经学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 阿尔茨海默病 (AD) 是一种进展性神经退行性疾病,影响认知和日常生活.
• 早期和准确的阿尔茨海默病诊断对于及时干预和更好的患者结果至关重要.
• 大脑成像在识别与AD相关的结构和功能变化方面发挥着至关重要的作用.

研究的目的:

• 开发和验证混合深度学习模型,用于精确检测阿尔茨海默病.
• 将个人分为四类:轻度,中度,非常轻度和非痴呆的AD.
• 通过使用可视化技术,提高AD诊断中深度学习模型的可解释性.

主要方法:

• 一种混合过方法,结合了适应非本地介质和清晰过器用于图像预处理.
• 实现基于EfficientNetV2B3架构的深度转移学习模型,并进行微调.
• 利用Grad-CAM++在脑图像中定位疾病相关特征,以提高模型的解释性.

主要成果:

• 拟议的模型在分类阿尔茨海默氏病阶段方面达到99.45%的高准确性.
• 在脑成像数据中成功识别疾病相关特征.
• 在公共数据集上证明了混合过和深度学习方法的有效性.

结论:

• 开发的深度学习模型显示了对精确高效地检测阿尔茨海默病的巨大潜力.
• 混合过和基于EfficientNetV2B3的方法为AD诊断提供了一个强大的解决方案.
• 这种方法可以作为临床医生在早期识别和管理阿尔茨海默病的宝贵工具.