优化启用了ResNet功能,用于阿尔茨海默病检测的转移学习

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
• 神经退行性疾病的诊断 神经退行性疾病的诊断

背景情况:

• 阿尔茨海默病 (AD) 影响全球数百万人,需要早期检测才能有效管理.
• 医学成像,特别是MRI,对阿兹海默症诊断有希望,但面临着图像复杂性和有限数据的挑战.
• 准确高效的AD检测方法对于改善患者的治疗结果至关重要.

研究的目的:

• 提出一种新的,支持优化的ResNet特征提取技术,用于增强阿尔茨海默病检测.
• 通过结合LeNet和VGG网络来利用转移学习,以提高诊断准确度.
• 为了解决医学图像分析的挑战,以早期识别AD.

主要方法:

• 预处理涉及图像大小调整和中间选.
• 功能提取使用了一种新的Walrus优化算法-残余神经网络 (WOA-ResNet) 进行ResNet训练.
• 转移学习通过整合LeNet和VGG网络来实现.

主要成果:

• 拟议的LeNet-VGG方法与WOA-ResNet相结合,在阿尔茨海默病检测方面取得了高精度.
• 该方法的最大精度为95.37%,灵敏度为97.24%,特异性为93.73%.
• 支持优化的ResNet功能提取显著提高了诊断性能.

结论:

• 开发的技术显示出对准确和早期发现阿尔茨海默病的巨大潜力.
• 将优化算法与深度学习模型相结合,可以增强神经退行性疾病的诊断能力.
• 这种方法为阿尔茨海默病诊断中的临床应用提供了一个有前途的工具.