Alzheimer’s Magnetic Resonance Imaging Classification Using Deep and Meta-Learning Models

要約

最先端の機械学習アプローチであるディープラーニングは、特に医療分野において、複雑な高次元データ内の複雑な構造を識別する際に、従来の機械学習よりも優れています。
この研究は、最先端の CNN を特徴とする深層学習技術を活用して、アルツハイマー病 (AD) の磁気共鳴画像法 (MRI) データを分類することに焦点を当てています。
MRI などの脳画像技術により、アルツハイマー病に関連する脳の病態生理学的変化の測定が可能になりました。
アルツハイマー病は高齢者の認知症の主な原因であり、徐々に認知機能障害を引き起こす不可逆的な脳の病気です。
このペーパーでは、ソリューションのアプローチに合わせていくつかのベンチマークディープ モデルを個別にトレーニングし、その後、アンサンブル アプローチを使用して、より高い再現率と精度の観察に向けて複数の CNN の効果を組み合わせます。
ここでは、スタッキング、多数決、再現率の高いモデルの組み合わせなど、さまざまな方法を使用してモデルの有効性を評価します。
多数決アプローチは通常、予測の分散を低減するため、多数決アプローチは代替モデリング アプローチよりも優れたパフォーマンスを発揮します。
私たちが提案したアプローチでは、テスト精度が 90%、精度スコアが 0.90、再現率スコアが 0.89 であることが報告されています。
将来的には、この研究を拡張して、信号、画像、その他のデータを含む他のタイプの医療データを組み込むことができる可能性があります。
同じまたは代替のデータセットを追加の分類器、ニューラル ネットワーク、AI 技術とともに使用して、アルツハイマー病の検出を強化できます。

要約(オリジナル)

Deep learning, a cutting-edge machine learning approach, outperforms traditional machine learning in identifying intricate structures in complex high-dimensional data, particularly in the domain of healthcare. This study focuses on classifying Magnetic Resonance Imaging (MRI) data for Alzheimer’s disease (AD) by leveraging deep learning techniques characterized by state-of-the-art CNNs. Brain imaging techniques such as MRI have enabled the measurement of pathophysiological brain changes related to Alzheimer’s disease. Alzheimer’s disease is the leading cause of dementia in the elderly, and it is an irreversible brain illness that causes gradual cognitive function disorder. In this paper, we train some benchmark deep models individually for the approach of the solution and later use an ensembling approach to combine the effect of multiple CNNs towards the observation of higher recall and accuracy. Here, the model’s effectiveness is evaluated using various methods, including stacking, majority voting, and the combination of models with high recall values. The majority voting performs better than the alternative modelling approach as the majority voting approach typically reduces the variance in the predictions. We report a test accuracy of 90% with a precision score of 0.90 and a recall score of 0.89 in our proposed approach. In future, this study can be extended to incorporate other types of medical data, including signals, images, and other data. The same or alternative datasets can be used with additional classifiers, neural networks, and AI techniques to enhance Alzheimer’s detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google