基于元启发式算法的视觉变换器模型在早期阿尔茨海默病诊断中的比较分析
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
本研究使用一组自注意力瓶颈变换器与成像质量感知极小化器的集成方法,基于结构性磁共振成像技术早期检测阿尔茨海默症,检验性能指标包括准确率、精准率、召回率、F1 得分和曲线下面积(ROC-AUC)。
May, 2023
提出了一种新颖的 3D 变形器架构,利用可变形的补丁定位模块,改善了阿尔茨海默病和额颞型痴呆的差异诊断。通过结合传统的机器学习模型和脑结构体积,以更好地利用现有数据,提出了将基于变压器的模型与传统机器学习模型相结合的方法。我们的实验表明了所提方法的有效性,与最先进的方法相比,结果具有竞争力。此外,我们可以可视化变形的补丁位置,揭示用于确立每种疾病诊断的最相关脑区域。
Sep, 2023
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
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
提出了一种集成声学、认知和语言特征的多模式系统,使用带时间特征的专业人工神经网络以检测阿尔茨海默病和其严重程度,并在 ADReSS 挑战数据集上获得了 83.3%的精度并在 DementiaBank Pitt 数据库上获得了 88.0%的分类精度,验证了无意识语音的通用性和可移植性。
Aug, 2020
本文研究了机器学习算法在预测痴呆症中的稳定性,并发现支持向量机和朴素贝叶斯算法是最稳定的算法,在使用信息增益方法进行特征选择时比主成分分析更有效。
Sep, 2022
采用 RF、SVM 和 CNN 算法,并利用分水岭分割从 MRI 图像中提取特征,我们提出了一种对痴呆的四个阶段进行分类的方法。结果显示,具有分水岭特征的 SVM 具有 96.25% 的令人印象深刻的准确率,超过其他分类方法。该方法在 ADNI 数据集上评估,并观察到分水岭分割的引入有助于模型的改进性能。
Nov, 2023
本文探讨了使用机器学习预测阿尔茨海默病恶化的能力,并在 Alzheimers Disease Neuroimaging Initiative 的数据集上使用了六种机器学习模型。最后展示了对两组数据的预测效果,即针对健康组和轻微认知障碍组的恶化预测,分别使用了 CART 和 Elastic Net 获得了较好的结果。
Jun, 2023
通过使用人工神经网络和支持向量机作为分类器,以及主成分分析作为特征提取技术,这篇论文研究了基于机器学习的方法在阿尔茨海默病检测和分类中的性能,并表明这种组合方案在准确度和优势方面取得了显著成果。
Apr, 2024