Sep, 2024

AD-Lite 网络：一种用于阿尔茨海默病检测的轻量级卷积神经网络模型

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 结构性 MR 和 FDG-PET 图像的多模态和多尺度深度神经网络用于早期诊断阿尔茨海默病

    本文提出了一个利用多模态和多尺度深度神经网络的新框架来早期诊断阿尔茨海默病，能够更好地表征人脑变化，并比现有文献的结果具有更好的区别能力。该方法在3年内预测致残的受试者的准确度为85.68％。

    Oct, 2017

  • 为痴呆症检测增加有针对性的特征的神经模型

    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

  • 卷积神经网络在自动检测阿尔茨海默病中的设计

    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

  • 使用迁移学习和类别分解检测阿尔茨海默病认知衰退

    本文提出了一种基于迁移学习和类分解的方法，用于从磁共振成像数据中检测阿尔茨海默病，该方法以 ImageNet 训练的 VGG19 和 ResNet50 为基础，使用熵分析方法确定最有信息量的图像，其在 AD vs MCI vs CN 分类任务中取得了最佳表现，并比文献中报道的分类准确率高出 3%。

    Jan, 2023

  • 基于多层特征的注意力机制三维卷积神经网络在脑图像中用于阿尔茨海默病诊断

    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

  • 临床MRI扫描的多模态融合自动检测阿尔茨海默病

    研究老龄化人口与阿尔茨海默病的关系，通过深度学习和多模态信息，基于大脑MRI扫描预测疾病阶段，早期检测和治疗。

    Nov, 2023

  • 结构注重型神经退行性卷积神经网络用于阿尔茨海默病建模与分类

    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

  • 多模态神经影像注意力模型用于认知衰退预测

    该研究提出了一种新的多模态神经影像关注机制的卷积神经网络结构，MNA-net，用于预测在10年内正常认知个体是否会发展为轻度认知障碍或阿尔茨海默病。通过使用注意机制形成MRI和PET图像的共享表示，MNA-net在OASIS-3数据集上进行了测试，并具有83%的准确率，80%的真阴性率和86%的真阳性率，相比之前的工作准确率和真阴性率分别提高了5%和10%，这些结果表明了该模型在预测认知衰退方面的潜力和通过融合不同神经影像模态的关注机制来改进预测的能力。

    Dec, 2023

  • 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

  • 双注意力感知的深度卷积神经网络在早期阿尔茨海默病检测中的应用

    我们引入了一种双重注意力增强深度学习框架用于从神经影像数据中分类阿尔茨海默病。 结果表明，我们的模型相比于现有的卷积神经网络在性能上有显着的提升，准确率达到99.1%。 这些结果突显了先进的深度学习方法在医学诊断中的潜力，为高度可靠和更高效的医疗解决方案作出了贡献。

    Jul, 2024