Optimierung der Diagnose und Stadieneinteilung von Alzheimer: ein mehrstufiges CNN-Framework unter Verwendung von MRT

Diese Studie behandelt die weit verbreiteten und beeinträchtigenden Auswirkungen der Alzheimer-Krankheit (AD) auf Einzelpersonen und die Gesellschaft und betont die entscheidende Notwendigkeit einer zeitnahen Diagnose. Wir präsentieren ein mehrstufiges Framework auf Basis von convolutional neural networks (CNN) zur AD-Erkennung und -Subklassifikation unter Verwendung von Magnetresonanztomographie (MRT) des Gehirns. Nach der Vorverarbeitung wurde ein 26-lagiges CNN-Modell entwickelt, um zwischen gesunden Individuen und Patienten mit Demenz zu unterscheiden. Nach der Erkennung von Demenz wurde das 26-lagige CNN-Modell erneut mit dem Konzept des Transferlernens verwendet, um Demenz weiter in leichte, mittelschwere und schwere Demenz zu unterteilen. Die Nutzung der gefrorenen Gewichte des entwickelten CNN auf korrelierten medizinischen Bildern erleichterte den Transferlernprozess zur Subklassifikation von Demenzklassen. Ein Online-AD-Datensatz wird verwendet, um die Leistung des vorgeschlagenen mehrstufigen CNN-basierten Frameworks zu überprüfen. Der vorgeschlagene Ansatz erzielte eine bemerkenswerte Genauigkeit von 98,24% bei der Identifizierung von Demenzklassen, während er eine Genauigkeit von 99,70% in der Subklassifikation von Demenz erreichte. Ein weiterer Datensatz wurde verwendet, um das vorgeschlagene Framework weiter zu validieren, was zu 100% Leistung führte. Vergleichende Bewertungen gegen vortrainierte Modelle und die aktuelle Literatur wurden ebenfalls durchgeführt, wobei die Nützlichkeit und Überlegenheit des vorgeschlagenen Frameworks hervorgehoben und es als robustes und effektives Verfahren zur AD-Erkennung und -Subklassifikation präsentiert wurde.