基于课程的多任务学习用于帕金森病检测
该研究使用 “帕金森病进展标志倡议” 数据集,开发了一个 3DCNN + LSTM 模型,通过分析磁共振成像数据来识别帕金森病的进展阶段,并取得了具有最先进结果的 91.90%的分类准确率。
Dec, 2023
本文提出了使用 MRI 和 DTI 两种不同模态的直接三类 PD 分类方法,通过使用白质和灰质 MRI 数据以及 DTI 数据的有限阻抗和平均扩散度,利用四个独立 CNN 模型进行决策层融合,实现了对公开 PPMI 数据库中 PD、健康人群和无多巴胺缺陷证据扫描的直接三类 PD 分类,获得了 95.53% 的准确率。通过一系列消融研究明确证明了我们提出的解决方案的有效性。
Jul, 2023
该论文提出了一种基于深度学习技术的方法,通过语音分析及回归技术能够判断一个人是否患有严重的帕金森症,并预测病情的程度,取得了非常有前景的效果。
Feb, 2024
通过引入多模态方法,结合深度学习和图融合技术,我们的研究提出了一种用于帕金森病分类的图视多模态方法,实验结果表明,在五折交叉验证中,该方法可以达到 91% 的准确率和 92.8% 的 AUC,并且相比仅依赖机器学习方法的方法,在非图像数据上具有更强的预测能力。
Nov, 2023
提出了一种基于深度学习的新型混合 ConvNet-Transformer 架构来检测和分期帕金森病 (Parkinson's disease)。该混合架构利用了卷积神经网络 (ConvNets) 和 Transformers 的优势来准确地检测帕金森病并确定其严重程度阶段,相比其他最先进的方法,具有 97%的帕金森病检测准确率和 87%的严重程度分期准确率。
Oct, 2023
本文介绍了一种基于卷积神经网络的深度学习多任务字典学习框架,使用 MSCC 方法学习不同的任务,以预测未来认知临床得分,并在公开的神经影像队列中应用模型进行临床测量预测,取得了优异的结果。
Aug, 2017
PULSAR 是一种新型方法,通过以视频的形式记录手指敲击任务以筛查帕金森病 (PD),并通过自适应图卷积神经网络和多流自适应卷积模型学习数据的关键特征,实现了 80.95% 的准确率和 71.29% 的平均准确率,该方法有望增加 PD 筛查的普及性。
Dec, 2023
通过机器学习技术,使用临床特征,声音特征和运动检查等数据,实现对帕金森病的早期检测,并取得了 100%针对 PD 和 RBD 患者的准确分类率,以及对 PD 和 HC 个体的 92%准确分类率。
Oct, 2023
通过分析网络摄像头录制的手指敲击、面部表情(微笑)和语音(说出包含所有字母的句子)的特征,我们训练了一种新颖的基于神经网络的融合架构来检测帕金森病,该模型还使用了蒙特卡洛随机失活来提高预测准确性。这种低成本、便捷的帕金森病筛查方法只需一个带有网络摄像头和麦克风的互联网设备,在有限制性临床专家资源的地区尤其方便。
Jun, 2024