增强自动化和早期检测阿尔茨海默病的能力:利用超出分布检测
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
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
该研究旨在提出一种混合模型,将卷积神经网络模型的特征提取能力与长短期记忆模型的检测能力结合起来,通过应用转移学习中的 VGG16 从 MRI 图像中提取特征,并使用软最大函数对完全连接层的输出层进行分类,成功地检测出阿尔茨海默病,并取得了 98.8% 的准确率,100% 的敏感性和 76% 的特异性。该提出的混合模型在性能上超过了其 CNN 对手,展现出卓越的性能。
Mar, 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
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
基于多个 T2w 方向的多流方法在医学影像数据中的无监督的离群分布检测应用于前列腺癌症状检测,并取得了比单一方向方法更好的检测效果(AUC:73.1 对比 82.3),表明了 MRI 在前列腺癌症状检测中无监督的离群分布检测的潜力。
Aug, 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
深度学习在计算机辅助诊断中得到了应用,但在实际临床场景中可能遇到分布偏移导致的静默失败问题,而最近的研究则探索了各种解决方案,包括分类和评估协议,以及缺乏探索的研究方向。
Apr, 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