用MRI进行阿尔茨海默氏症疾病分类的自我改进的LeNet和修改的SegNet

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) 是痴呆的主要原因,其特点是认知能力下降和记忆力丧失.
• 脑成像,特别是MRI,通过可视化像海马和皮质收缩等结构变化来诊断AD至关重要.
• 阿尔茨海默病的确切病因是复杂的,涉及遗传,饮食和环境因素.

研究的目的:

• 开发和评估一个创新的基于LeNet5的多头并行阿尔茨海默氏症疾病分类 (MPL5-ADC) 框架,以准确和早期发现AD.
• 利用先进的图像处理和深度学习技术,从MRI数据中加强阿尔茨海默氏症的分类.

主要方法:

• 预处理涉及使用修改后的维纳波器 (MWF) 减少噪音.
• 使用基于金字塔卷积内核的SegNet (PCK-SgN) 进行了大脑区域细分.
• 功能提取结合了改进的局部加博二进制模式直方体序列 (ILGBPHS),形状特征和深度特征 (VGG16,ResNet),然后通过多头并行LeNet-5 (MPL5) 模型进行增强和分类.

主要成果:

• 该MPL5-ADC框架在MRI扫描对阿尔茨海默氏症的分类方面表现出了很高的性能.
• 提出的模型在阿尔茨海默氏症疾病分类方面实现了98%的预测准确度.

结论:

• MPL5-ADC框架提供了一种高度准确和一致的方法,用于使用MRI早期检测阿尔茨海默病.
• 这种人工智能驱动的方法显示出在神经退行性疾病研究中改善诊断能力的巨大潜力.