组装深度学习模型用于早期诊断和使用MRI扫描对阿尔茨海默病的分类
Shijitha Robinson Jeyapaul1, Selvam Kombaiya2, Anish Kumar Jeya Kumar3
1Department of Biomedical Instrumentation Engineering, Avinashilingam Institute for Home Science and Higher Education for Women, Coimbatore, India.
Journal of Alzheimer's disease : JAD
|August 8, 2025
概括
这项研究使用先进的MRI分析为阿尔茨海默病 (AD) 分类提供了一个新的框架. 该系统在早期发现AD方面实现了高准确性,改善了患者的护理.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 阿尔茨海默病 (AD) 是一种进展性神经退行性疾病,影响认知和记忆.
- 早期识别患有阿尔茨海默病高风险的个体对于及时干预和改善患者结果至关重要.
研究的目的:
- 为了增强基于磁共振成像 (MRI) 的阿尔茨海默氏病 (AD) 的分类.
- 开发一个集成图像预处理,特征选择和集体深度学习的先进系统,以准确诊断AD.
主要方法:
- 采用先进的MRI预处理:正常化,亲属转换和消极化.
- 实现了适应性DeepLabV3+用于大脑结构细分和H-IBMFO用于最佳特征选择.
- 开发了一个集体深度学习模型 (MobileNet V2,DarkNet,ResNet) 用于在MATLAB中进行分类.
主要成果:
- 实现了98.7%的准确性,98%的精度,98%的灵敏度,99%的特异性和98%的F测量.
- 证明了优越的分类性能,最小的假阳性和假阴性.
- 验证了该系统在诊断阿尔茨海默病各个阶段的有效性.
结论:
- 通过优化特征选择和深度学习,建立了一个有效的AD分类框架.
- 显著改善了早期AD检测能力.
- 证实了该系统在诊断阿尔茨海默氏症阶段的高准确性和可靠性.
