SH-StNN:基于搜索和狩猎的堆叠深卷积神经网络对阿尔茨海默病的预测

科学领域:

• 医学成像分析 医学成像分析
• 医疗保健中的人工智能
• 神经科学是一个神经科学.

背景情况:

• 使用MRI扫描检测阿尔茨海默病 (AD) 的传统机器学习 (ML) 方法通常涉及复杂的特征提取,广泛的训练时间和低于最佳的检测准确性.
• 卷积神经网络 (CNN) 难以捕捉大脑区域的长距离相关性,并且容易过度匹配,限制了它们在AD诊断中的有效性.

研究的目的:

• 引入一个选择和狩猎优化堆叠深层卷积神经网络 (SH-StNN) 来自动和准确地从MRI图像中检测阿尔茨海默病.
• 为了解决现有的ML和CNN方法在捕捉AD检测复杂的大脑结构模式方面的局限性.

主要方法:

• 拟议的SH-StNN架构使用堆叠的CNN层与RELU激活.
• 选择和狩猎优化 (SHO) 算法用于医疗图像细分和分类器训练,特别是优化SH-StNN模型的第十五层.
• 实验使用阿尔茨海默病神经成像计划 (ADNI) 和OASIS数据集进行.

主要成果:

• 在ADNI数据集上,SH-StNN模型实现了98%的准确性,超过Deep CNN13.17%和CT-GAN10.81%,80%的训练数据.
• 在OASIS数据集中,SH-StNN模型表现出高性能,精度为96.73%,灵敏度为96.90%,特异性为96.96%.
• 拟议的方法有效地捕捉了大脑结构中的复杂模式,从而提高了AD检测率.

结论:

• 该SH-StNN模型代表了使用MRI自动检测阿尔茨海默病的重大进展.
• 集成的SHO算法增强了细分和分类,提供了一个更准确和更有效的诊断工具.
• 这种方法对早期和更可靠的阿尔茨海默病诊断有希望,有助于临床决策.