智能阿尔茨海默氏症诊断和残疾评估:使用ResNet-50和EfficientNet-B3的合体学习进行强大的医学成像分析

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 神经科学和神经病学 神经科学和神经病学
• 医疗保健中的机器学习

背景情况:

• 阿尔茨海默病 (AD) 是一种进展性神经退行性疾病,导致严重的认知能力下降和生活质量下降.
• 早期和准确的诊断对于有效的疾病管理和干预策略至关重要.
• 当前的诊断方法可能耗时,并且可以从自动化,客观的工具中获益.

研究的目的:

• 用MRI图像进行深度学习来开发和评估阿尔茨海默病的自动诊断框架.
• 评估组合模型的性能,将ResNet-50和EfficientNet-B3结合起来,用于分类痴呆的不同阶段.
• 提供一个工具,支持放射科医生在早期AD查和治疗规划.

主要方法:

• 使用ResNet-50作为特征提取和EfficientNet-B3作为分类器构建了一个集体深度学习模型.
• 该模型处理了33984个高分辨率磁共振成像 (MRI) 扫描的大量数据集,来自四个痴呆症阶段的参与者.
• 应用了全面的预处理,包括规范化,重新缩放和消除噪声,以提高图像质量和模型性能.

主要成果:

• 合奏模型在诊断阿尔茨海默氏病的各个阶段中,取得了99.32%的惊人的整体准确性.
• 该模型表现出高精度和回忆力,特别是在轻度,中度和非痴呆病例中,对于非常轻度的痴呆病例的错误分类最小.
• 性能指标,包括F1分数和ROC曲线分析,证实了与单个架构相比,该模型的卓越准确性和概括能力.

结论:

• 深度学习算法,特别是拟议的组合模型,对于从MRI数据中准确检测阿尔茨海默氏病的阶段非常有效.
• 开发的AI框架显示了将其整合到临床环境中的巨大潜力,以协助放射科医生在早期AD检测和患者管理中.
• 建议在不同的临床环境中进行进一步的验证和优化,以确保该模型符合医疗用途的真实世界诊断要求.