早期诊断阿尔茨海默病使用PET成像和深度学习与比较数据增强技术

科学领域:

• 神经学 神经学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 阿尔茨海默病 (AD) 是一种影响中枢神经系统的神经系统疾病,导致协调不良和等症状.
• 像MRI和PET这样的神经成像技术对于理解AD至关重要.
• 深度学习 (DL) 与神经成像相结合,为早期AD诊断提供了潜力,减轻了神经病理学家的工作负担.

研究的目的:

• 评估六种不同的数据增强方法在诊断阿尔茨海默病中的有效性.
• 在各种分类任务中比较这些方法的性能,包括二进制 (AD-NC,AD-MCI,MCI-NC) 和多类 (AD-MCI-NC) 场景.
• 评估将数据增强与步进卷积架构用于AD诊断的实用性.

主要方法:

• 应用了六种数据增强技术:圆平均,高斯的拉普拉西亚语 (LoG),局部拉普拉西亚语,局部对比,Prewitt边缘强调和不清晰的掩盖.
• 分类任务包括AD对比正常控制 (NC),AD对比正常控制 (NC). 轻度认知障碍 (MCI),MCI与NC,以及一个三类AD-MCI-NC问题.
• 与数据增强方法相结合,采用了一种步进的卷积架构.

主要成果:

• 在AD-MCI-NC和AD-MCI分类中,先进的边缘强调增强实现了最高的性能.
• 局部拉普拉西安增强表现为MCI-NC分类任务的卓越性能.
• 拉普拉西安的高斯增强 (LoG) 给出了AD-NC分类任务的最佳结果.

结论:

• 不同的数据增强方法表现出不同的有效性,这取决于针对阿尔茨海默病的特定神经成像基础分类任务.
• 预见边缘强调,局部拉普拉斯语和LoG增强显示出改善AD检测诊断准确性的承诺.
• 数据增强技术的选择对于优化神经退行性疾病诊断中的深度学习模型至关重要.