使用深度学习和元学习模型的阿尔茨海默病磁共振成像分类
计算机视觉与模式识别
2024-05-21 v1 新兴技术
机器学习
多媒体
摘要
深度学习作为一种前沿的机器学习方法，在识别复杂高维数据中的精细结构方面优于传统机器学习，尤其是在医疗保健领域。本研究聚焦于利用以最先进的CNN为特征的深度学习技术，对阿尔茨海默病（AD）的磁共振成像（MRI）数据进行分类。脑成像技术（如MRI）使得能够测量与阿尔茨海默病相关的脑部病理生理变化。阿尔茨海默病是老年人痴呆的主要原因，是一种不可逆的脑部疾病，会导致逐渐的认知功能紊乱。在本文中，我们单独训练了一些基准深度模型作为解决方案的一部分，然后使用集成方法结合多个CNN的效果，以实现更高的召回率和准确率。这里，使用多种方法评估模型的有效性，包括堆叠、多数投票以及结合具有高召回率值的模型。多数投票优于其他建模方法，因为多数投票方法通常能减少预测中的方差。我们报告了所提出方法的测试准确率为90%，精确率为0.90，召回率为0.89。未来，这项研究可以扩展到包含其他类型的医疗数据，包括信号、图像和其他数据。可以使用相同或替代的数据集，结合额外的分类器、神经网络和人工智能技术，以增强阿尔茨海默病的检测。
引用
@article{arxiv.2405.12126,
title = {Alzheimer's Magnetic Resonance Imaging Classification Using Deep and Meta-Learning Models},
author = {Nida Nasir and Muneeb Ahmed and Neda Afreen and Mustafa Sameer},
journal= {arXiv preprint arXiv:2405.12126},
year = {2024}
}