ConvNeXt驱动的阿尔茨海默病检测:对专家注释的AlzaSetMRI数据集的基准研究,跨越解剖平面的MRI数据集

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:

• 阿尔茨海默病 (AD) 是全球认知能力下降的主要原因.
• 准确,负担得起的诊断工具对于早期发现AD至关重要.
• 目前的诊断方法可能是侵入性的或昂贵的.

研究的目的:

• 开发和评估一个深度学习模型用于使用结构性MRI对阿尔茨海默病的分类.
• 引入和使用AlzaSet数据集,以进行可靠的模型培训和验证.
• 将ConvNeXt架构的性能与现有的最先进模型进行比较.

主要方法:

• 使用了ConvNeXt深度学习架构,灵感来自视觉转换器.
• 开发并应用了AlzaSet数据集,包括79个T1加权MRI扫描 (63个AD,16个对照).
• 在MRI切片上对VGG16,VGG19,InceptionV3和DenseNet121进行比较的ConvNeXt (Tiny,Small,Base) 与轴向,冠状和斜面平面的MRI切片.

主要成果:

• 在冠状核磁共振切片上,ConvNeXt-Base获得了98.37%的准确性和0.992 AUC.
• 冠状视图被证明是最有信息的,特别是在中间叶可视化方面.
• 与具有类似计算效率的合并方法相比,ConvNeXt表现出卓越的性能.

结论:

• 像ConvNeXt这样的深度学习模型显示出可扩展,实时阿尔茨海默病查的巨大潜力.
• 这些发现表明,在资源丰富和资源有限的医疗保健环境中都可应用.
• 临床策划的数据集对于开发有效的AI驱动的神经退行性疾病诊断工具至关重要.