一种新型混合参数高效微调方法用于海马 segmentation 和阿尔茨海默病诊断
通过对ADNI海马MRI数据集进行分割实验,比较了不同的三维海马分割卷积架构的有效性和效率,结果表明,与简单的二维块相比,稍微非传统的“堆叠的2D”方法提供了更好的分类性能,并且不需要额外的计算能力。同样我们也测试了一种流行的“三平面”方法,发现它提供了比2D方法更好的结果,但需要适度增加计算能力的要求。最后,我们评估了完整的三维卷积体系结构,并发现它提供了比三平面方法略好的结果,但代价是需要非常大的计算能力要求。
May, 2015
本文提出一种使用多维分类和支持向量机基于海马形状特征来自动区分老年控制组、痴呆症 (AD) 以及轻度认知障碍 (MCI) 患者的新方法,并与海马体积测量和其他SVM整脑分类方法进行比较。结果表明,该方法的分类性能优于海马体积测量,并可作为帮助诊断AD的有用工具。
Jul, 2017
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
该研究提出了一种结合了伽玛校正和脑结构专注的神经退化卷积神经网络(SNeurodCNN)的机器学习框架,用于区分早期阿尔茨海默病(AD)和轻度认知障碍(MCI),通过实验证明该模型在诊断及特定脑区变化的准确性、特异性和敏感性方面表现出色,成为早期AD诊断的潜在大脑结构变化数字生物标志物。
Jan, 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
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
这项研究提出了一种创新的方法来诊断阿尔茨海默病,使用设计用于增强模型决策可解释性的3D MRI。我们的方法采用了软注意力机制,使2D CNN能够提取体积表示。同时,学习每个切片在决策中的重要性,生成了一个能够解释的MRI的体素级注意力图。通过使用阿尔茨海默病神经影像学计划(ADNI)的一个标准化的MRI数据集来测试我们的方法并确保结果的可重复性。在这个数据集上,我们的方法在两个任务中显著优于最先进的方法:(i)将AD与正常认知(CN)区分,准确率为0.856,Matthew's相关系数(MCC)为0.712,分别比第二名提高了2.4%和5.3%;(ii)在区分稳定和进展性轻度认知障碍的预测任务中,准确率为0.725,MCC为0.443,比第二名分别提高了10.2%和20.5%。我们通过采用双重迁移学习策略实现了这一预测结果,增强了对形态变化的敏感性,并促进了早期AD的检测。通过体素级精确度,我们的方法确定了哪些特定区域受到关注,并确定了这些主导脑区域:海马、杏仁核、视角回、下侧脑室。所有这些区域与AD的发展有关。此外,我们的方法在不同的交叉验证折叠中始终找到了相同的与AD相关的区域,证明了其在突出与该疾病的已知病理标志密切相关的区域方面的稳健性和精确性。
Jul, 2024
本研究解决了深度学习模型在阿尔茨海默病(AD)分类中可解释性不足的问题。我们开发了一种定量疾病聚焦策略,提出了疾病聚焦评分(DF评分),以量化模型对AD相关脑区的关注程度。研究结果显示,采用该方法能够提高模型的可解释性,并促进其在临床实践中的应用。
Sep, 2024
本研究针对传统阿尔茨海默病(AD)诊断中灵敏度不足和过程繁琐的问题,提出了一种新的轻量级AD-Lite Net模型。该模型融合了深度可分离卷积和并行连接块,使得特征提取更加明显,并提高了对MRI图像的分类准确性。实验结果显示,AD-Lite Net在多个MRI数据集上显著优于现有CNN模型和一种新兴的视觉变换器(ViT)模型。
Sep, 2024