一种混合深度学习架构和特征提取技术用于阿尔茨海默病识别
1Department of ECE, P.A. College of Engineering and Technology, Pollachi, Tamilnadu India.
Cognitive neurodynamics
|September 15, 2025
概括
这项研究引入了一种新的基于Fuzzy评分的ResNet-Convolutional神经网络 (FS-ResNet CNN) 用于早期阿尔茨海默病 (AD) 检测. 该模型在区分AD,轻度认知障碍和认知正常个体方面取得了97.89%的准确性.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 阿尔茨海默病 (AD) 是一种渐进性痴呆症,其全球流行率正在上升.
- 早期发现AD对于有效的症状管理和干预至关重要.
- 目前的诊断方法需要改进,以便及时识别AD及其早期阶段.
研究的目的:
- 开发一个准确和高效的深度学习模型,以区分阿尔茨海默病 (AD),轻度认知障碍 (MCI) 和认知正常 (CN) 个体.
- 利用来自阿尔茨海默病神经成像计划 (ADNI) 数据集的空间信息来改进分类.
- 引入一种新的 Fuzzy 评分方法,以提高混合深度学习架构的性能.
主要方法:
- 使用混合深度学习架构,将ResNet和卷积神经网络 (CNN) 结合起来,并使用一种新的模糊评分技术.
- 实现了自适应的灰狼优化算法 (AGWOA),用于特征选择和减少时间复杂性.
- 应用z-score规范化用于数据预处理.
主要成果:
- 拟议的基于模糊评分的ResNet-CNN (FS-ResNet CNN) 模型在ADNI数据集上实现了97.89%的高分类准确性.
- 该模型展示了计算效率,降低对噪声的敏感性和存储储量的节省.
- 超越现有的最先进的方法来分类AD,MCI和CN主题.
结论:
- FS-ResNet CNN模型为早期发现和分类阿尔茨海默病提供了一个有希望,准确和高效的方法.
- 综合的模糊评分显著优化深度学习网络性能,用于神经退行性疾病的诊断.
- 这种混合深度学习策略有可能改善阿尔茨海默病研究中的临床诊断和患者管理.
