混合卷积神经网络与长短期记忆网络以改进基于 MRI 扫描的阿尔茨海默病诊断
图像与视频处理
2024-03-11 v1 计算机视觉与模式识别
机器学习
摘要
由于手术程序复杂、成本高昂及其他挑战等多种因素，脑部疾病比其他疾病更为敏感。阿尔茨海默病是一种常见的脑部疾病，会导致记忆丧失和脑细胞萎缩。早期检测对于为患者提供适当治疗至关重要。然而，通过人工扫描 CT 或 MRI 图像在早期阶段识别阿尔茨海默病具有挑战性。因此，研究人员深入探索了计算机辅助系统，采用机器学习和深度学习方法来训练数据集以检测阿尔茨海默病。本研究旨在提出一种混合模型，结合 CNN 模型的特征提取能力与 LSTM 模型的检测能力。该研究在混合模型中应用了名为 VGG16 的迁移学习技术，从 MRI 图像中提取特征。LSTM 用于检测卷积层与全连接层之间的特征。全连接层的输出层使用 softmax 函数。混合模型的训练利用了 ADNI 数据集。试验结果显示，该模型的准确率达到 98.8%，灵敏度为 100%，特异度为 76%。所提出的混合模型优于其同期的 CNN 模型，展现出更优越的性能。
引用
@article{arxiv.2403.05353,
title = {Hybridized Convolutional Neural Networks and Long Short-Term Memory for Improved Alzheimer's Disease Diagnosis from MRI Scans},
author = {Maleka Khatun and Md Manowarul Islam and Habibur Rahman Rifat and Md. Shamim Bin Shahid and Md. Alamin Talukder and Md Ashraf Uddin},
journal= {arXiv preprint arXiv:2403.05353},
year = {2024}
}
备注
Accepted In The 26th International Conference on Computer and Information Technology (ICCIT) On 13-15 December 2023