为痴呆症检测增加有针对性的特征的神经模型
本文使用 NLP 技术对 DementiaBank 数据集中 Alzheimer's 病人的语言特征进行分类和分析,利用 CNN、LSTM-RNN 和两者的组合进行分类,识别语言样本,获得了 AD 识别任务的新的独立基准精度。最后通过激活聚类和导数显著性技术分析神经网络的学习特征,自动发现激活簇内不同语法模式,进一步阐述了 AD 患者的语言特征,揭示了神经网络模型的局限性。
Apr, 2018
提出了一种集成声学、认知和语言特征的多模式系统,使用带时间特征的专业人工神经网络以检测阿尔茨海默病和其严重程度,并在 ADReSS 挑战数据集上获得了 83.3%的精度并在 DementiaBank Pitt 数据库上获得了 88.0%的分类精度,验证了无意识语音的通用性和可移植性。
Aug, 2020
采用 RF、SVM 和 CNN 算法,并利用分水岭分割从 MRI 图像中提取特征,我们提出了一种对痴呆的四个阶段进行分类的方法。结果显示,具有分水岭特征的 SVM 具有 96.25% 的令人印象深刻的准确率,超过其他分类方法。该方法在 ADNI 数据集上评估,并观察到分水岭分割的引入有助于模型的改进性能。
Nov, 2023
该研究提出了一种使用脑部 MRI 数据分析进行阿尔茨海默病检测和分类的方法,通过卷积神经网络的组合在 OASIS 数据集上展现出卓越的性能。
Dec, 2017
本研究探讨将深度学习模型应用于阿尔兹海默病的诊断,使用 3D 卷积神经网络进行训练和测试,并设计了一个算法集成,能够优于任何单独算法,在超过 1500 个完整的脑部体积中展现出良好的分类性能和突出的诊断能力,这些算法具有成为软件包的潜力,能够协助医生 / 放射科医生更好地诊断阿尔兹海默病。
Dec, 2022
我们的研究通过识别四个不同的预测 AD 的类别,以高加权准确度 98.91% 的方式,有助于更全面地了解和检测该疾病。本研究提出了一种独特的策略,通过在不平衡数据集分类问题中组合集成平均模型和五个不同的迁移学习模型,改善了准确性。EfficientNetB0+Resnet152 和 InceptionV3+EfficientNetB0+Resnet50 模型已经进行了微调,并获得了最高的多类别 AD 阶段分类的加权准确度。
Oct, 2023
本研究针对深度卷积神经网络应用于结构性脑部 MRI 扫描检测阿尔茨海默病的问题,提出几种可以提升模型性能的技术,其中包括实例规范化、年龄信息等,这些技术的应用可将模型的准确率提高 14%。
Nov, 2019
提出一种基于三维卷积神经网络和双重注意力模块的重现性模型,用于阿尔茨海默病分类,通过在 ADNI 数据库上训练并在 AIBL 和 OASIS1 两个独立数据集上验证,该方法在 MCI 进展分类方面的准确率达到 91.94%,在阿尔茨海默病分类方面的准确率达到 96.30%,并具有良好的泛化能力,在 AIBL 和 OASIS1 数据集上的准确率分别达到 86.37%和 83.42%。
Oct, 2023
本文提出了一种基于 3D 卷积神经网络的方法,通过学习通用的 AD 生物标志物特征并适应不同领域的数据集,在没有经过颅骨去除的 MRI 数据集上,通过对解剖形态变异的捕捉,实现了 AD 的预测和分类,并在实验中验证了其优越性和鲁棒性。
Jul, 2016
使用多模式深度学习方法通过语音和相应的文本同时检测多种言语段落的诊断,其模型在 Dementiabank Pitt 语料库上获得了 85.3% 的准确率。
Nov, 2020