语境性身体体分析,以区分早期和晚期轻度认知障碍

科学领域:

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

背景情况:

• 深度学习在放射学中越来越多地用于早期疾病检测.
• 轻度认知障碍 (MCI) 诊断需要准确的分期才能进行有效的干预.
• 体 (CC) 对于半球间的通信至关重要,并且在神经退行症中受到影响.

研究的目的:

• 开发一种自动化的深度学习方法来分类早期MCI (EMCI) 和晚期MCI (LMCI).
• 将对象检测 (YOLOv5) 与3D卷积神经网络 (CNN) 集成,以提高分类准确度.
• 为了提高诊断性能,利用CC及其周边地区的解剖学背景.

主要方法:

• 开发了一种结合YOLOv5物体检测和3D CNN的新方法.
• 该方法自动识别和分析CC及其周边地区,无需手动裁剪或预处理.
• 该模型是在ADNI数据集中的1098个结构MRI卷的平衡数据集上进行训练和验证的.

主要成果:

• 集成的YOLOv5和3D CNN模型实现了总的分类准确率为88.41%.
• 该方法证明了分析"在上下文中"分析CC的重要性,与仅关注CC的方法相比,准确度提高了近7%.
• 该模型成功地自动化了分类过程,消除了对预处理步骤的需求.

结论:

• 拟议的深度学习模型通过分析特定的CC子区域,准确地区分EMCI和LMCI阶段.
• 该模型在定位临床相关大脑区域方面的可解释性提高了其诊断价值.
• 这种自动化,上下文意识的方法支持针对轻度认知障碍的有针对性,特定阶段的干预.