Dementia Alzheimer's Disease Diagnosis Using Convolutional Neural Networks on Two-Dimensional MRI Slices
Notice bibliographique
Résumé
The major goal of this work is to explore the performance of convolutional neural networks (CNNs) in identifying patterns symptomatic of Alzheimer's disease.This approach proposes a novel way for evaluating MRI brain images that employs convolutional neural networks (CNNs).By scanning through whole images using a convolutional neural network (CNN), attributes of equivalent spatial quality were discovered.This network employs a number of filters to examine visual data pieces.This research is based on the premise that convolutional neural networks (CNNs), with their layered architecture and filtering processes, are capable of quickly recognizing complicated patterns in medical images.This paper's CNN model employs a number of activation functions, including sigmoid, tanh, and rectified linear units (ReLU).The CNN model is divided into multiple tiers.Prior to considering totally connected layers, the network architecture featured convolution processes, pooling to reduce picture sizes, and flattening.These measures were meant to be taken.To avoid overfitting and increase the network's capacity to handle a wide range of data inputs, dropout methods were applied.The CNN model was trained and validated using the OASIS dataset's 15,200 axial MRI slices.Python 3.6 and the Keras library were used for training and validation.The model outperformed traditional approaches like KNN, SVM, and LDA in terms of sensitivity, precision, and AUC, achieving a 98% accuracy rate.As shown the design effectively established a balance between classification and feature extraction efficiency.The study's findings suggest that a customized CNN design, suitable parameter tuning, and dropout implementation might all significantly increase the accuracy of MRI-based Alzheimer's disease detection.These findings demonstrate the use of deep learning in medical image processing, where it may aid in accurate and rapid patient diagnosis.The CNN model's prediction reliability is enhanced by the fact that the research included patients of various ages, implying that the model is applicable to a wide range of ages.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 0,001 |
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 ».