向准确的阿尔茨海默病检测:通过ResNet50转移学习以进行基于MRI的诊断
Jabli Mohamed Amine1, Moussa Mourad1
1National School of Engineers of Sousse, University of Sousse, Sousse, Tunisia.
Frontiers in neuroscience
|December 31, 2025
概括
这项研究引入了一种自动化的深度学习方法,用于使用MRI扫描来诊断阿尔茨海默病 (AD). 该ResNet50-CNN模型实现了高精度,为早期AD检测提供了一个可扩展的解决方案.
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:
- 阿尔茨海默氏症 (AD) 是导致痴呆的主要原因,全球影响超过5000万.
- 目前使用MRI的AD诊断方法通常需要手动提取特征,这耗时且限制了可扩展性.
- 预计到2050年,阿尔茨海默病例将增加三倍,因此需要自动化,准确的诊断工具.
研究的目的:
- 开发和评估一种自动化特征提取方法,用于使用脑MRI扫描检测阿尔茨海默病 (AD).
- 为了比较由Softmax,支持矢量机 (SVM) 和随机森林 (RF) 算法分类的深度学习提取特征的性能.
- 用预训练的ResNet50卷积神经网络 (CNN) 评估转移学习的有效性,用于AD诊断.
主要方法:
- 使用预训练的ResNet50 CNN从脑MRI扫描中自动提取深度特征.
- 使用Softmax,SVM和RF算法进行分类提取的特征.
- 在两个公开可用的数据集上评估模型性能:阿尔茨海默病神经成像计划 (ADNI) 和MIRIAD.
主要成果:
- 与Softmax分类器相结合的ResNet50-CNN实现了卓越的性能,在ADNI数据集上超过99%的准确性,灵敏性和特异性.
- 这个模型超过了现有的最先进的AD检测基准.
- 在MIRIAD数据集上,ResNet50-Softmax模型表现出强的性能,达到96%的准确性.
结论:
- 使用ResNet50的转移学习显著提高了MRI数据的阿尔茨海默病诊断的准确性和可扩展性.
- 自动化方法消除了手动特征工程,简化了临床神经成像工作流程.
- 深度学习模型对支持早期阿尔茨海默病诊断和解决日益增长的全球健康挑战有很大的前景.
