一个新的混合深度学习模型用于对阿尔茨海默病的细分和基于Res-LeNet的分类

科学领域:

• 医疗成像医学成像
• 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,影响记忆和行为.
• 早期发现AD对于患者和护理人员的规划至关重要.
• 磁共振成像 (MRI) 是可视化与AD相关的大脑变化的关键工具.

研究的目的:

• 引入一种创新的混合深度学习 (DL) 方法来对阿尔茨海默病 (AD) 进行细分和分类.
• 使用先进的人工智能技术提高AD检测和分类的准确性.
• 区分各种认知阶段,包括轻度认知障碍 (MCI) 和正常认知.

主要方法:

• 使用磁共振成像 (MRI) 数据进行分析.
• 采用双边过器 (BF) 进行图像色和增强.
• 实现了一种新的O-SegUNet模型用于图像细分,将O-SegNet和U-Net与基于Pearson相关系数的融合集成在一起.
• 应用合成少数群体过量采样技术 (SMOTE) 用于增强数据以解决阶级不平衡问题.
• 开发了一个Fuzzy Res-LeNet模型,结合了Fuzzy逻辑,ResNeXt和LeNet,用于特征提取和最终AD分类.

主要成果:

• 在MRI扫描中,O-SegUNet模型有效地细分了大脑结构.
• 模糊的Res-LeNet模型实现了高分类性能.
• 在分类认知阶段时,获得了93.887%的准确性,94.587%的灵敏性和94.008%的特异性.
• 成功地区分了认知正常 (CN),轻度认知障碍 (MCI),早期轻度认知障碍 (EMCI),晚期轻度认知障碍 (LMCI) 和AD.

结论:

• 拟议的混合DL方法,特别是Fuzzy Res-LeNet模型,显示出对精确检测阿尔茨海默病的巨大潜力.
• 这种方法为早期诊断和管理AD和相关认知障碍提供了一个有希望的工具.
• 在医学图像分析中集成先进的DL技术可以提高诊断能力.