利用深度学习对眼动数据进行阿尔茨海默病分类
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
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
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
本研究采用基于 CNN-LSTM 体系结构的神经模型,使用定向和隐式学习的方法从对话转录中学习,从而检测阿尔茨海默病及相关痴呆疾病的存在,实现了对 DementiaBank 数据集的新的最先进性能,将参与者分类为 AD 和对照组的 F1 分数达到 0.929。
Jun, 2019
通过使用眼动追踪数据,分析巴金森病诊断和分类的深度学习算法,研究发现通过用于准备阶段的短时间序列数据作为输入可实现疾病分类任务,结果表明这些数据具有较低的主体间变异性并携带关于大脑认知和运动状况的有用信息,有效用于机器学习发现与疾病相关的生物标志物。
Nov, 2023
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
我们的研究通过识别四个不同的预测 AD 的类别,以高加权准确度 98.91% 的方式,有助于更全面地了解和检测该疾病。本研究提出了一种独特的策略,通过在不平衡数据集分类问题中组合集成平均模型和五个不同的迁移学习模型,改善了准确性。EfficientNetB0+Resnet152 和 InceptionV3+EfficientNetB0+Resnet50 模型已经进行了微调,并获得了最高的多类别 AD 阶段分类的加权准确度。
Oct, 2023
提出了一种通用的多模态对比学习框架,用于结合图像数据和表格数据,通过新颖的表格注意模块增强和排名表格中突出特征,并应用于阿尔茨海默病预测,实验证明了该框架的有效性。
Aug, 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