一个多视图多式模式深度学习框架用于阿尔茨海默病诊断

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 早期阿尔茨海默病 (AD) 诊断是具有挑战性的,因为与轻度认知障碍 (MCI) 和认知正常 (CN) 个体的相似性.
• 人口异质性,标签噪音和成像变化进一步使诊断复杂化.
• 目前的多模式神经成像方法在融合互补数据和聚合多尺度特征方面存在局限性.

研究的目的:

• 开发一个新的多式联络诊断框架,ADMV-Net,以提高在阿尔茨海默病所有阶段的识别准确性.
• 改进多模式神经成像数据和多尺度特征提取的融合,以实现更强大的AD诊断.

主要方法:

• 拟议的ADMV-Net框架使用双通道混合卷积ResNet进行3D医学图像特征提取,融合全球和本地信息.
• 实施了多视图融合学习机制,包括全球感知,多层次本地交叉模式聚合和双向交叉注意力模块.
• 整合了一个区域兴趣感知模块,以专注于与AD病理相关的大脑区域.

主要成果:

• 在区分阿尔茨海默病 (AD) 和认知正常 (CN) 个体方面,ADMV-Net获得了94.83%的准确性和95.97%的AUC.
• 该框架在AD与CN分类方面,与主流方法相比,表现优越.
• 在多类分类任务中表现出强大的区分能力和出色的概括性.

结论:

• ADMV-Net有效地利用多模式和多视图信息来显著提高阿尔茨海默病的诊断准确性.
• 该框架整合了全球,地方和区域特征,为早期AD诊断和临床决策提供了有前途的工具.
• 开发的框架为推进阿尔茨海默病研究和临床实践提供了宝贵的资源.