深度学习在阿尔茨海默病诊断中的实际应用
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
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
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
通过严格遵守数据处理、实验设计和模型评估等最佳实践,本研究旨在确保机器学习在临床实践中作为可靠工具的地位。以阿尔茨海默病检测为例,我们研究了不同的数据增强技术和模型复杂度对整体性能的影响,采用 3D 卷积神经网络处理 ADNI 数据集的分类问题。通过交叉验证和多次训练试验,我们训练了 15 个预测模型,考虑了三种不同的数据增强策略和五种不同的 3D 卷积神经网络架构,每种架构的卷积层数不同。通过数据增强和模型复杂度的综合效应,准确率的预测性能变化高达 10%。当分别应用仿射变换时,模型的准确性更高,与采用的架构无关。对于所有策略,模型准确率随着卷积层数的增加呈现凹曲线行为,在中间值层次达到峰值。最佳模型(8 个卷积层、架构 B)在交叉验证折数和训练试验中最稳定,在测试集和外部测试集上表现出色。
Sep, 2023
阿尔茨海默病(Alzheimer's disease)是一种最常见的神经系统痴呆症,通过磁共振成像技术结合深度学习算法可以早期诊断该病并确定病症特征,因此本研究分析了 2021 年至 2023 年之间基于磁共振成像的深度学习算法在 AD 诊断上的五项具体研究。
Oct, 2023
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
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
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