通过MRI切片选择和深度学习技术改善早期发现阿尔茨海默病

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 神经学 神经学

背景情况:

• 阿尔茨海默病 (AD) 是一种进展性神经退行性疾病,其特点是认知能力下降.
• 早期轻度认知障碍 (EMCI) 的早期诊断对于有效的管理和改善患者结果至关重要.
• 从MRI扫描中识别EMCI中的微妙大脑变化是具有挑战性的,需要精确的切片选择.

研究的目的:

• 开发和评估一种用于识别关键MRI切片的新方法,用于早期发现阿尔茨海默病.
• 通过专注于诊断相关的大脑区域,提高早期轻度认知障碍 (EMCI) 诊断的准确性.
• 将先进的深度学习模型与优化的切片选择集成在一起,以提高诊断性能.

主要方法:

• 利用阿尔茨海默病神经成像计划 (ADNI-3) 数据集进行模型培训和验证.
• 开发了一种新的切片选择策略,以识别解剖学信息丰富的MRI切片.
• 在分类任务中使用深度学习模型,包括Vision Transformers (ViT) 和EfficientNetB2+FPN.

主要成果:

• 在对阿尔茨海默病 (AD) 和晚期轻度认知障碍 (LMCI) (99.45%) 的分类中使用精选的切片和EfficientNetB2+FPN.实现了高准确性.
• 通过拟议的切片选择和深度学习方法,在将AD与早期轻度认知障碍 (EMCI) (99.19%) 进行分类方面表现强.
• 切片选择与视觉变压器架构的综合方法在EMCI阶段显著提升了早期AD检测.

结论:

• 提出的切片选择方法有效地提高了早期阿尔茨海默病检测的准确性,特别是在EMCI阶段.
• 将优化切片选择与深度学习模型,特别是视觉转换器集成,为增强神经退行性疾病诊断提供了一个有前途的途径.
• 通过先进的成像分析及时和准确的诊断可以促进早期干预,可能改变疾病的进展和改善患者的预后.