基于MRI神经成像的阿尔茨海默病阶段分类使用深度神经网络与卷积块注意模块和GAN式噪音注入
Sachin Kumar1, Sourabh Shastri2, Vibhakar Mansotra1
1Department of Computer Science and IT, University of Jammu, Jammu, Jammu and Kashmir, India.
Scientific reports
|February 1, 2026
概括
这项研究介绍了Neuro_CBAM-ADNet,这是一种深度学习模型,用于使用MRI扫描来早期检测阿尔茨海默病 (AD). 该模型实现了高精度,为这种不可治愈的神经疾病提供了成本效益高的自动诊断工具.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 阿尔茨海默病 (AD) 是一种进展性神经系统疾病,影响全球数百万人.
- 早期检测对于管理AD至关重要,但目前的方法有局限性.
- 深度学习,特别是卷积神经网络 (CNN),显示出医学图像分析的前景.
研究的目的:
- 开发和评估用于早期预测阿尔茨海默病阶段的深度学习模型.
- 为了利用MRI数据集来准确诊断AD.
- 提出一个自动化和经济的诊断系统.
主要方法:
- 使用CNN架构开发了一个新的诊断模型Neuro_CBAM-ADNet.
- 该模型经过训练,并在MRI数字图像上进行了测试.
- 绩效是根据诊断准确度来评估的.
主要成果:
- 在预测AD阶段时,Neuro_CBAM-ADNet模型实现了98.28%±0.31%的平均准确性.
- 与现有的相关工程相比,拟议的模型表现出优越的性能.
- 该系统在没有人类干预的情况下成功识别了AD.
结论:
- 深度学习模型,如Neuro_CBAM-ADNet,对于早期诊断阿尔茨海默病非常有效.
- 开发的模型为AD检测提供了精确,自动化和成本效益的方法.
- 人工智能在促进对抗AD等神经疾病的斗争中发挥着至关重要的作用.
