基于注意力机制的高效分类方法用于阿尔茨海默病三维 MRI 图像
本研究提出了一种基于 ResNet 的端到端 3D CNN 框架,结合注意力机制作用下获取的多层特征,以更好地捕捉脑部图像的细微差异,用于阿尔茨海默病的诊断。在 ADNI 数据库的 792 个受试者上进行了消融实验验证,基于 sMRI 和 PET 分别实现了 89.71% 和 91.18% 的诊断准确率,并且超过了一些最先进的方法。
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
本文提出了一种利用深度学习方法进行疾病预测的算法,通过 MRI 扫描病人的大脑,基于 ADNI 数据集中的 2265 个历史扫描,该算法可用于预测病人的疾病状态,并证明了 3D 卷积神经网络优于文献中的其他分类器并产生了最新的结果。
Feb, 2015
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
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
本文介绍一种使用 2D CNN 架构对 3D MRI 图像进行阿尔茨海默病分类的方法,使用近似排名池化将 3D MRI 图像转换为 2D 图像进行分类,实验结果表明,相对基线 3D 模型,我们提出的 CNN 模型在阿尔茨海默病分类上获得了更好的准确度,并且训练时间仅需 3D CNN 模型的 20%。
Nov, 2020
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
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
利用深度学习模型通过创新的数据处理和模型构建步骤对核磁共振成像(MRI)图像进行分类,以识别阿尔茨海默病的不同阶段,并通过非侵入性手段实现疾病进展的监测和早期精确诊断,实验证明基于 Xception 模型的深度学习框架在多类别 MRI 图像分类任务中达到了 99.6% 的准确率,具有辅助诊断的潜在应用价值。未来的研究将侧重于扩大数据集、改进模型可解释性和临床验证,进一步推动深度学习技术在医学领域的应用,希望为阿尔茨海默病患者带来更早的诊断和个性化治疗方案。
Mar, 2024
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