Leveraging Deep Learning for Enhanced Detection of Alzheimer’s Disease Through Morphometric Analysis of Brain Images
Notice bibliographique
Résumé
This study investigates the efficacy of tensor-based morphometry (TBM) in detecting Alzheimer's Disease (AD) using deep learning techniques.The primary focus is on discerning the volumetric variations in brain tissues characteristic of AD, Mild Cognitive Impairment (MCI), and cognitively normal (CN) conditions.TBM, as a measure of minute local volume differences, is employed as the distinguishing feature.The results are juxtaposed with those obtained from machine-learning-based methods, trained using a variety of medical images.Three unique models were developed for this purpose.The first model, trained using medial slices of the brain (train: 1622; test: 406), displayed an accuracy of less than 50%.The second model utilized axial brain slices procured at 5-pixel intervals, encompassing the hippocampus and the temporal lobe (train: 1632; test: 406), and demonstrated a significantly improved accuracy of 93%.The third model, fine-tuned with small kernel sizes to better extract localized changes from the image data used in the second model, achieved an accuracy of 92%.The findings suggest that the application of TBM and deep learning to medial slices alone is insufficient for an accurate diagnosis of AD.However, employing TBM with deep learning techniques to slices covering the hippocampus and temporal lobe can potentially offer a highly accurate approach for early AD detection.Notably, the use of small filters to extract detailed features from TBM did not enhance the model's performance.This research underscores the potential of deep learning in advancing the field of AD detection and diagnosis, providing crucial insights into the future development of diagnostic tools.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».