3D MRI 图像动态图像用于阿尔茨海默病分类
通过使用深度学习和图像识别技术,本研究提出了一种基于卷积神经网络的新型阿尔茨海默病检测模型,该模型利用预训练的 ResNet 网络作为骨干,结合了 3D 医学图像的后融合算法和注意力机制,实验证明引入的 2D 融合算法有效降低了模型的训练开销,而注意力机制准确评估了图像中重要区域,进一步提高了模型的诊断准确性。
Jan, 2024
本文提出了一种利用深度学习方法进行疾病预测的算法,通过 MRI 扫描病人的大脑,基于 ADNI 数据集中的 2265 个历史扫描,该算法可用于预测病人的疾病状态,并证明了 3D 卷积神经网络优于文献中的其他分类器并产生了最新的结果。
Feb, 2015
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
本研究提出了一种基于 ResNet 的端到端 3D CNN 框架,结合注意力机制作用下获取的多层特征,以更好地捕捉脑部图像的细微差异,用于阿尔茨海默病的诊断。在 ADNI 数据库的 792 个受试者上进行了消融实验验证,基于 sMRI 和 PET 分别实现了 89.71% 和 91.18% 的诊断准确率,并且超过了一些最先进的方法。
Aug, 2023
本文研究了自动分类方法的主要趋势,探讨了卷积神经网络和 MRI 在海马区 ROI 上融合的痴呆症诊断算法,以及通过数据增强来平衡不同大小的类别对分类结果的影响。
Jan, 2018
通过使用深度学习技术,特别是基于最先进的卷积神经网络(CNNs),对磁共振成像(MRI)数据进行分类,以便识别阿尔茨海默病(AD),该研究报告了采用多个 CNN 模型的集成方法来提高检测的查全率和准确性,其中多数投票法表现得更好。我们提出的方法在测试中获得了 90% 的准确率、0.90 的精确度和 0.89 的召回率。未来可以扩展该研究以纳入其他类型的医学数据,包括信号、图像和其他数据,使用其他分类器、神经网络和人工智能技术以提高阿尔茨海默病的检测。
May, 2024
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
研究开发了三种有效的方法来从三维卷积神经网络 (3D-CNN) 中生成视觉解释,用于阿尔茨海默病分类。这些方法基于敏感性分析和网络激活的可视化,并且都能够识别出对阿尔茨海默病诊断非常重要的脑部部位,并提高了对 3D-CNN 在阿尔茨海默病分类中的理解。
Mar, 2018
利用深度学习模型通过创新的数据处理和模型构建步骤对核磁共振成像(MRI)图像进行分类,以识别阿尔茨海默病的不同阶段,并通过非侵入性手段实现疾病进展的监测和早期精确诊断,实验证明基于 Xception 模型的深度学习框架在多类别 MRI 图像分类任务中达到了 99.6% 的准确率,具有辅助诊断的潜在应用价值。未来的研究将侧重于扩大数据集、改进模型可解释性和临床验证,进一步推动深度学习技术在医学领域的应用,希望为阿尔茨海默病患者带来更早的诊断和个性化治疗方案。
Mar, 2024
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