使用瓶颈变压器进行阿尔茨海默病的早期检测
使用 Visual Transformer (ViT) 和 bi-LSTM 处理 MRI 图像以诊断阿尔茨海默病,评估模型在阿尔茨海默病的二元分类中的性能表现,并与其他深度学习模型进行比较。所提出的方法在 AD 的诊断方面表现出较高的准确性、精确度、F 分数和召回率。
Jan, 2024
通过对 ADNI 数据集所得的 PET 扫描图像进行深入研究,本文使用了 VGG16、AlexNet 和一个自定义的卷积神经网络(CNN)模型来将阿尔茨海默病分类为控制正常组(CN)、进展性轻度认知障碍组(pMCI)、稳定性轻度认知障碍组(sMCI)和阿尔茨海默病组(AD),最后采用融合技术改进了模型的整体结果,结果显示使用深度学习模型区分 MCI 患者的平均准确率为 93.13%,AUC 为 94.4%。
Mar, 2024
阿尔茨海默病是一种影响老年人认知和运动功能的进展性神经退行性疾病,通过磁共振成像这种易于接触的方法早期检测阿尔茨海默病对于开发有效干预措施至关重要。本研究旨在对选择基于磁共振成像的生物标志物和将个体区分为健康对照和表现出 5 年内轻度认知损伤的不稳定对照的机器学习技术进行全面分析。该研究利用阿尔茨海默病神经信息学计划(ADNI)和开放获取系列成像研究 3(OASIS-3)的磁共振成像数据,主要关注健康对照和不稳定对照参与者。结果显示高斯朴素贝叶斯和 RusBoost 分类器在 ADNI 数据集上表现最佳,准确率分别达到 76.46% 和 72.48%。对于 OASIS-3 数据集,核朴素贝叶斯和 RusBoost 在 64.66% 至 75.71% 的范围内获得准确率,而在年龄匹配的数据集中进一步提高。计算得出早期认知衰退期间颞内侧皮层、海马体、侧脑室和外侧眶额叶等脑区受到显著影响。尽管存在样本规模较小等限制,本研究的数据协调方法增强了生物标志物选择的稳健性,预示着这种半自动机器学习工作流程在使用磁共振成像进行早期阿尔茨海默病检测方面的潜力。
May, 2024
本文提出了一个利用多模态和多尺度深度神经网络的新框架来早期诊断阿尔茨海默病,能够更好地表征人脑变化,并比现有文献的结果具有更好的区别能力。该方法在 3 年内预测致残的受试者的准确度为 85.68%。
Oct, 2017
本论文通过迁移学习的方法,使用预训练的深度学习模型,选取信息熵最大的 MRI 图像进行训练,证明相比于当前的基于深度学习的方法,使用小得多的训练样本数量,可以达到类似甚至更好的性能。
Nov, 2017
本研究利用自监督对比学习方法和基于游程的神经网络模型,通过解剖学磁共振成像生成的结构性脑网络预测 MCI 向 AD 的转变,并可视化模型解释以识别白质通路异常变化。
Mar, 2022
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
本文提出了一种基于迁移学习和类分解的方法,用于从磁共振成像数据中检测阿尔茨海默病,该方法以 ImageNet 训练的 VGG19 和 ResNet50 为基础,使用熵分析方法确定最有信息量的图像,其在 AD vs MCI vs CN 分类任务中取得了最佳表现,并比文献中报道的分类准确率高出 3%。
Jan, 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