Diagnosis of Alzheimer's Disease with Deep Convolutional Neural Networks Using FDG-PET Brain Images
Notice bibliographique
Résumé
Early detection is crucial to prevent the progression of Alzheimer's disease (AD). Thus, specialists can begin preventive treatment as soon as possible. They require prompt and accurate diagnosis of AD in its earliest and most difficult-to-detect stages. The main objective of this work is to develop a system that automatically detects the presence of the disease using one of the most successful models of deep learning (DL), namely convolutional neural networks (CNNs). Using a smaller dataset, we design and train several enhanced CNNs based on transfer learning (TL) to analyze fluorodeoxyglucose positron emission tomography (FDG-PET) brain images and classify them into different AD stages. The obtained results show the effectiveness of the selected CNNs based on InceptionV3 and ResNetV2 networks as well as their hybrid Inception-ResNetV2 architecture. Especially, experiment on the Alzheimer's disease neuroimaging initiative dataset demonstrates the superiority of Inception-ResNet model compared to the other state-of-the-art TL approaches in terms of accuracy, precision, sensitivity, F1-score and area under the ROC curve. This architecture has achieved an accuracy of (83.9, 70.3, 87.4)% and F1-score of (89.7, 72.3, 87.4)% for (AD, mild impairment, normal cognitive) stages. Thus, even though there isn't a lot of data available, the FDG-PET image data and DL's powerful modeling technique can extract features that doctors can use to make decisions about how to treat complex AD disorders.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».