基于关闭层和海马体细分的阿尔茨海默氏症疾病识别模型使用RoT-Kmeans和CoLU-CNN
Praveen Kumar Rai1, Vivek Srivastava2
1Department of Computer Science & Engineering, Dr. APJ Abdul Kalam Technical University, Lucknow, U.P., India. praveen.rai2008@gmail.com.
Molecular neurobiology
|March 17, 2026
概括
这项研究介绍了一种有效的阿尔茨海默病 (AD) 识别模型,使用崩的线性单元-卷积神经网络 (CoLU-CNN) 和闭层细分. 新的框架在AD的分类中实现了99%的准确性,改善了早期诊断.
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:
- 阿尔茨海默病 (AD) 是一种影响认知功能的渐进性痴呆症,早期诊断对于管理其进展至关重要.
- 当前的阿尔茨海默病诊断模型往往忽略了关闭区域,这是一个潜在地对准确检测至关重要的大脑区域.
- 休息状态功能磁共振成像 (rs-fMRI) 提供了有关神经疾病诊断的大脑活动的见解.
研究的目的:
- 提出一个有效的阿尔茨海默氏病 (AD) 识别框架,其中包括关闭区分.
- 通过专注于关节层,提高AD诊断效率,该区域以前在诊断模型中未被充分探索.
- 开发一种新的AD分类方法,利用先进的机器学习技术和神经成像数据.
主要方法:
- 休息状态功能磁共振成像 (rs-fMRI) 数据的预处理.
- 大脑组织 (灰质,白质,脑脊液) 和海马的细分.
- 在灰色物质上使用罗杰斯和塔尼莫托的K-means (RoT-Kmeans) 进行幽室细分.
- 使用基于肯特地图的野生优化 (KM-WGO) 进行特征提取和选择.
- 使用崩的线性单元-卷积神经网络 (CoLU-CNN) 来对阿尔茨海默病进行分类.
主要成果:
- 拟议的框架成功地从rs-fMRI数据中细分了关闭区域.
- 网络连接是生成和映射与细分的claustrum.
- 选择了最佳特征,从而进行了高度准确的AD分类.
- 该方法在识别阿尔茨海默氏症时实现了出色的99%准确性.
结论:
- 关闭区分的整合显著提高了AD识别准确度.
- 提出的基于CoLU-CNN的框架证明了在早期和准确的AD诊断方面具有很高的有效性.
- 这种方法为基于神经成像的阿尔茨海默病检测提供了有希望的进步.
