Dec, 2023

利用卷积神经网络与长短时记忆层相结合预测帕金森病进展

PDF
TL;DR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。
parkinson's diseasediagnosisai algorithmsdisease progression3dcnn + lstm model
发现论文，激发创造
  • 多视角图卷积网络及其在帕金森病神经影像分析中的应用

    本文探讨基于图卷积网络的深度学习方法，在结合病人脑影像信息后，用于分辨帕金森患者和健康对照组，泛化表现高于传统 PCA 方法。

    May, 2018

  • 融合的卷积神经网络和长短期记忆模型用于从 MRI 扫描中改进阿尔茨海默病的诊断

    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

  • 基于课程的多任务学习用于帕金森病检测

    利用深度卷积神经网络和课程学习，作者定义了一个难度逐渐增加的训练流程，以提高磁共振成像在帕金森病分类中的性能。

    Feb, 2023

  • 使用多任务神经网络确定帕金森病患者的严重程度

    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

  • 利用机器学习进行早期诊断帕金森病的实验研究

    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

  • 多模态多类帕金森病分类的 CNN 和决策级融合

    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

  • 通过机器学习分析、识别和预测帕金森病亚型和进展

    本篇论文通过结合监督和无监督机器学习方法，识别出不同的亚型，能够准确预测帕金森患者的疾病进展和症状，并探究了病人异质性和个性化干预的潜力。

    Jun, 2023

  • 混合输入输出隐马尔可夫模型用于异质性疾病进展建模

    提出了一种层次时间序列模型，该模型可发现多种疾病进展动态，可用于帕金森病患者的临床评估和处方药物，并在合成数据集和帕金森病的现实临床数据中得到了证明。

    Jul, 2022

  • LSTM-CNN：一种利用动态手写分析的高效帕金森病诊断网络

    设计了一个紧凑高效的网络架构，利用动态手写信号的独特特征，为帕金森病的诊断提供客观鉴定；通过深度学习方法（LSTM 和 CNN）实现对时间变化特征的提取，并在实验证明其有效性和效率。

    Nov, 2023

  • 利用临床和功能磁共振成像特征预测帕金森病进展轨迹：一项再现与复制研究

    研究对帕金森病的神经影像学生物标志物进行复制和复现，使用人口统计、临床和神经影像特征（从静息态功能磁共振成像中提取的 fALFF 和 ReHo）预测个体的帕金森病现状和进展，结果表明在与原始研究最接近的分析流程下与该研究一致地取得了显著优于随机的表现，通过复制和复现过程中的挑战提出了推进未来类似研究再现性的建议。

    Feb, 2024