有效的深层卷积神经网络与注意力机制用于阿尔茨海默病分类

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 神经认知障碍,特别是阿尔茨海默病 (AD),在中年和老年人群中正在增加.
• 早期和准确发现AD对于及时干预和预防不可逆转的大脑损伤至关重要.
• 目前用于AD检测的计算方法在准确性和临床验证方面存在局限性,特别是在早期阶段.

研究的目的:

• 审查现有的用于阿尔茨海默病检测的计算技术.
• 提出一个深度卷积神经网络 (Deep-CNN) 具有注意力机制,用于增强早期AD检测.
• 用机器学习提高阿尔茨海默病诊断的准确性和可解释性.

主要方法:

• 开发了一个包含注意力机制的深度卷积神经网络 (Deep-CNN) 模型.
• 该模型旨在增强空间注意力,并对阿尔茨海默氏症阶段进行多类分类.
• 该模型在OASIS数据集上使用标准预处理和统计验证的主体级数据进行训练和评估.

主要成果:

• 提出的深度CNN与注意力模型实现了97%的诊断准确性.
• 这种准确性超过了现有的方法,包括带有内核的支持矢量机 (SVM) (90.5%,85%) 和传统的CNN (93.5%).
• 注意力机制的可视化与已知的阿尔茨海默病生物标志物保持一致,提高了模型的解释性.

结论:

• 注意引导的深度学习模型可以显著提高阿尔茨海默病多类MRI分类的准确性.
• 这些模型提供了临床上有用的区域解释,有助于了解疾病进展.
• 开发的带有注意力机制的深度CNN为有效和准确的早期阿尔茨海默病检测提供了有前途的工具.