基于MRI的直方图导向梯度和深度学习方法,用于准确分类轻度认知障碍和阿尔茨海默病

科学领域:

• 神经成像是一种神经成像.
• 机器学习 机器学习
• 医学诊断 医学诊断 医学诊断

背景情况:

• 阿尔茨海默病 (AD) 是一种神经退行性疾病,导致认知能力逐渐下降.
• 早期和准确的AD诊断对于有效的患者管理和治疗至关重要.
• 目前的诊断方法可能是侵入性的,或缺乏足够的灵敏度用于早期检测.

研究的目的:

• 开发和评估一个强大的特征提取和分类框架,用于诊断阿尔茨海默氏症的疾病阶段.
• 为了比较支持矢量机 (SVM),K-近邻 (KNN) 和深度神经网络 (DNN) 分类器在AD检测中的性能.
• 评估T1加权MRI扫描与先进的机器学习结合用于非侵入性AD诊断的潜力.

主要方法:

• 使用T1加权脑MRI扫描作为输入数据.
• 使用哈里斯角的兴趣点和面向梯度 (HOG) 的直方图 (Histogram) 提取的特征.
• 使用SVM,KNN和基于DNN的管道来分类三个阶段:控制正常 (CN),轻度认知障碍 (MCI) 和AD.

主要成果:

• 拟议的系统实现了高分类准确度:KNN (88%),SVM (91.5%) 和DNN (95.6%).
• 与SVM和KNN相比,基于DNN的方法显示出更高的性能.
• 与最先进的深度学习方法相比,DNN模型显示出具有竞争力的结果.

结论:

• 开发的框架显示了早期和准确诊断阿尔茨海默病的巨大潜力.
• 非侵入性T1加权MRI与深度学习相结合,为AD检测提供了一个有希望的途径.
• 这些发现支持先进机器学习技术在神经退行性疾病诊断中的临床实用性.