利用深度学习与Xception架构实现阿尔茨海默病诊断中的高精度MRI分类
图像与视频处理
2024-03-26 v1 计算机视觉与模式识别
机器学习
摘要
探索深度学习技术在医学诊断领域的应用，磁共振成像（MRI）为观察和诊断阿尔茨海默病（AD）等复杂神经退行性疾病提供了独特视角。随着深度学习的发展，特别是在卷积神经网络（CNN）和Xception网络架构方面，我们现在能够以前所未有的精度分析和分类海量MRI数据。这一技术的进步不仅增强了我们对大脑结构变化的理解，还通过无创手段监测疾病进展开辟了新途径，并有可能在疾病早期实现精确诊断。本研究旨在利用深度学习模型对MRI图像进行分类，通过一系列创新的数据处理和模型构建步骤来识别阿尔茨海默病的不同阶段。我们的实验结果表明，基于Xception模型的深度学习框架在多类MRI图像分类任务中达到了99.6%的准确率，展示了其在辅助诊断中的潜在应用价值。未来的研究将侧重于扩大数据集、提高模型可解释性并进行临床验证，以进一步推动深度学习技术在医疗领域的应用，希望为阿尔茨海默病患者带来更早的诊断和更个性化的治疗方案。
引用
@article{arxiv.2403.16212,
title = {Leveraging Deep Learning and Xception Architecture for High-Accuracy MRI Classification in Alzheimer Diagnosis},
author = {Shaojie Li and Haichen Qu and Xinqi Dong and Bo Dang and Hengyi Zang and Yulu Gong},
journal= {arXiv preprint arXiv:2403.16212},
year = {2024}
}