المفاهيم الأساسية
結合二維和三維卷積神經網路 (CNN) 的 AlzhiNet 模型,能有效提升阿茲海默症的早期檢測和診斷準確率。
研究背景
阿茲海默症 (AD) 是一種影響全球數百萬人的神經退化性疾病。早期診斷對於有效的疾病管理和潛在治療的發展至關重要。磁共振成像 (MRI) 已成為研究 AD 相關腦部變化的重要工具,而深度學習的出現為從醫學影像中自動診斷提供了希望。
研究方法
本研究提出了一種名為 AlzhiNet 的新型混合深度學習框架,該框架整合了二維卷積神經網路 (2D-CNN) 和三維卷積神經網路 (3D-CNN),以及自定義損失函數和體積數據增強,以增強特徵提取並提高 AD 診斷中的分類性能。
2D 模組: 基於 ResNet-18 架構,利用 ImageNet 數據集上的預先訓練權重,並針對 AD 分類調整最後的全連接層。
3D 模組: 處理通過堆疊二維增強圖像形成的三維體積數據,使用一系列三維卷積層、批次歸一化和池化層來提取空間和體積特徵。
混合模型整合和自定義損失函數: 整合 2D 和 3D 模組的輸出,並採用自定義損失函數,結合交叉熵損失和均方誤差 (MSE) 損失,以確保模型預測的準確性和一致性。
研究結果
AlzhiNet 在 Kaggle 和 MIRIAD 數據集上進行了驗證,結果顯示其在準確性、精確度、召回率和 F1 分數方面均優於傳統的 2D 和 3D CNN 方法。具體來說,AlzhiNet 在 Kaggle 數據集上達到了 98.9% 的準確率和 100% 的 AUC,在 MIRIAD 數據集上達到了 99.99% 的準確率和 100% 的 AUC。
消融研究
進行了消融研究,以評估 AlzhiNet 架構中每個組件的貢獻。結果表明,2D 和 3D 模組的整合,以及自定義損失函數和 3D 體積構造,對於模型的整體性能至關重要。
噪聲測試
在包括高斯噪聲、亮度、對比度、椒鹽噪聲、顏色抖動和遮擋在內的各種擾動情況下,對 AlzhiNet 進行了測試。結果表明,與 ResNet-18 相比,AlzhiNet 對各種擾動具有更強的魯棒性,使其成為現實應用中更可靠的選擇。
研究結論
AlzhiNet 是一種很有前景的 AD 早期診斷和治療計劃方法。通過結合 2D 和 3D CNN 的優勢並引入新的損失函數,本研究為推進 AD 分類技術水平做出了貢獻。
الإحصائيات
AlzhiNet 在 Kaggle 數據集上達到了 98.9% 的準確率和 100% 的 AUC。
AlzhiNet 在 MIRIAD 數據集上達到了 99.99% 的準確率和 100% 的 AUC。
使用 9 種增強技術構建 3D 體積數據時,AlzhiNet 在 Kaggle 數據集上達到了 98.76% 的準確率,在 MIRIAD 數據集上達到了 99.98% 的準確率。
在高斯噪聲水平為 0.03 時,AlzhiNet 達到了 98.34% 的最高準確率。
在亮度水平為 0.5 時,AlzhiNet 達到了 98.44% 的準確率。
在對比度水平為 0.5 時,AlzhiNet 達到了 98.34% 的準確率。
在顏色抖動水平為 10% 時,AlzhiNet 達到了 98.81% 的準確率。
在遮擋水平為 4% 時,AlzhiNet 達到了 96.89% 的準確率。