論文の概要: Hybridized Convolutional Neural Networks and Long Short-Term Memory for
Improved Alzheimer's Disease Diagnosis from MRI Scans
- arxiv url: http://arxiv.org/abs/2403.05353v1
- Date: Fri, 8 Mar 2024 14:34:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-11 13:27:14.971014
- Title: Hybridized Convolutional Neural Networks and Long Short-Term Memory for
Improved Alzheimer's Disease Diagnosis from MRI Scans
- Title(参考訳): mriスキャンによるアルツハイマー病診断の改善を目的とした畳み込みニューラルネットワークと長期記憶のハイブリッド化
- Authors: Maleka Khatun, Md Manowarul Islam, Habibur Rahman Rifat, Md. Shamim
Bin Shahid, Md. Alamin Talukder, Md Ashraf Uddin
- Abstract要約: 本研究では,CNNモデルの特徴抽出機能とLSTMモデルの検出機能を組み合わせたハイブリッドモデルを提案する。
ADNIデータセットを利用したハイブリッドモデルのトレーニング。
モデルの精度は98.8%、感度は100%、特異度は76%に達した。
- 参考スコア(独自算出の注目度): 2.621434923709917
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Brain-related diseases are more sensitive than other diseases due to several
factors, including the complexity of surgical procedures, high costs, and other
challenges. Alzheimer's disease is a common brain disorder that causes memory
loss and the shrinking of brain cells. Early detection is critical for
providing proper treatment to patients. However, identifying Alzheimer's at an
early stage using manual scanning of CT or MRI scans is challenging. Therefore,
researchers have delved into the exploration of computer-aided systems,
employing Machine Learning and Deep Learning methodologies, which entail the
training of datasets to detect Alzheimer's disease. This study aims to present
a hybrid model that combines a CNN model's feature extraction capabilities with
an LSTM model's detection capabilities. This study has applied the transfer
learning called VGG16 in the hybrid model to extract features from MRI images.
The LSTM detects features between the convolution layer and the fully connected
layer. The output layer of the fully connected layer uses the softmax function.
The training of the hybrid model involved utilizing the ADNI dataset. The trial
findings revealed that the model achieved a level of accuracy of 98.8%, a
sensitivity rate of 100%, and a specificity rate of 76%. The proposed hybrid
model outperforms its contemporary CNN counterparts, showcasing a superior
performance.
- Abstract(参考訳): 脳関連疾患は、手術手順の複雑さ、高いコスト、その他の課題など、いくつかの要因により、他の疾患よりも敏感である。
アルツハイマー病は、記憶喪失と脳細胞の収縮を引き起こす一般的な脳疾患である。
早期発見は患者に適切な治療を与えるために重要である。
しかし,CTやMRIを手動でスキャンすることで早期にアルツハイマー病を同定することは困難である。
そのため研究者たちは、機械学習とディープラーニングの方法論を用いて、アルツハイマー病を検出するためにデータセットのトレーニングを伴い、コンピュータ支援システムの探索に取り組んできた。
本研究では,CNNモデルの特徴抽出機能とLSTMモデルの検出機能を組み合わせたハイブリッドモデルを提案する。
本研究では,VGG16と呼ばれる伝達学習をハイブリッドモデルに適用し,MRI画像から特徴を抽出した。
lstmは畳み込み層と完全連結層との間の特徴を検出する。
完全連結層の出力層はソフトマックス関数を使用する。
ADNIデータセットを利用したハイブリッドモデルのトレーニング。
実験の結果,モデルの精度は98.8%,感度100%,特異度76%であった。
提案したハイブリッドモデルは、同時代のCNNモデルよりも優れており、優れた性能を示している。
関連論文リスト
- Diagnosing Alzheimer's Disease using Early-Late Multimodal Data Fusion
with Jacobian Maps [1.5501208213584152]
アルツハイマー病(英語: Alzheimer's disease、AD)は、老化に影響を及ぼす神経変性疾患である。
本稿では,自動特徴抽出とランダム森林のための畳み込みニューラルネットワークを利用する,効率的な早期融合(ELF)手法を提案する。
脳の容積の微妙な変化を検出するという課題に対処するために、画像をヤコビ領域(JD)に変換する。
論文 参考訳(メタデータ) (2023-10-25T19:02:57Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳(メタデータ) (2023-09-13T10:40:41Z) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳(メタデータ) (2023-09-13T09:22:49Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳(メタデータ) (2023-05-25T16:29:16Z) - A deep learning approach for brain tumor detection using magnetic
resonance imaging [0.0]
脳腫瘍は、子供や成人で最も危険な疾患の1つと考えられている。
MRI画像から脳腫瘍を検出するための畳み込みニューラルネットワーク(CNN)に基づく図解が提案されている。
提案したモデルでは98.6%の精度と97.8%の精度でクロスエントロピー速度が低い。
論文 参考訳(メタデータ) (2022-10-25T10:13:29Z) - Hierarchical Graph Convolutional Network Built by Multiscale Atlases for
Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。
まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。
そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文 参考訳(メタデータ) (2022-09-22T04:17:57Z) - Classification of Alzheimer's Disease Using the Convolutional Neural
Network (CNN) with Transfer Learning and Weighted Loss [2.191505742658975]
本研究では,Residual Network 18 Layer(ResNet-18)アーキテクチャを用いた畳み込みニューラルネットワーク(CNN)手法を提案する。
モデルの精度は、転送学習、重み付き損失、およびミッシュアクティベーション関数を用いて88.3%である。
論文 参考訳(メタデータ) (2022-07-04T17:09:27Z) - Brain Tumor Detection and Classification Using a New Evolutionary
Convolutional Neural Network [18.497065020090062]
この研究の目的は、健康な患者と不健康な患者を区別するために脳MRI画像を使用することである。
深層学習技術は近年、脳腫瘍をより正確に、堅牢に診断する方法として関心を喚起している。
論文 参考訳(メタデータ) (2022-04-26T13:20:42Z) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳(メタデータ) (2022-01-07T07:46:01Z) - Characterization Multimodal Connectivity of Brain Network by Hypergraph
GAN for Alzheimer's Disease Analysis [30.99183477161096]
脳ネットワークを特徴付けるマルチモーダル・ニューロイメージングデータは、現在、アルツハイマー病(AD)解析の高度な技術である。
DTI と rs-fMRI の組合せから脳ネットワークのマルチモーダル接続を生成するための新しいハイパーグラフ生成支援ネットワーク (HGGAN) を提案する。
論文 参考訳(メタデータ) (2021-07-21T09:02:29Z) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳(メタデータ) (2020-05-08T02:29:24Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。