A Dual-Attention Aware Deep Convolutional Neural Network for Early Alzheimer’s Detection

要約

アルツハイマー病 (AD) は神経変性の主要な形態であり、毎年数百万人が罹患し、進行性の認知機能低下を引き起こします。
神経画像データを使用してアルツハイマー病を正確に診断および分類することは、医学における継続的な課題であり、治療手段を強化する高度な介入が必要です。
この研究では、神経画像データから AD を分類するための二重注意強化深層学習 (DL) フレームワークを紹介します。
空間的注意と自己注意のメカニズムの組み合わせは、通常の画像技術では識別することが難しい MRI 画像からの神経原線維変化とアミロイド斑への焦点を強調する上で重要な役割を果たします。
結果は、私たちのモデルが既存の最先端 (SOTA) 畳み込みニューラル ネットワーク (CNN) と比較して、99.1% の精度で優れたパフォーマンスを発揮したことを示しています。
さらに、F1 スコア 99.31%、精度 99.24%、再現率 99.5% という驚くべき指標を記録しました。
これらの結果は、医療診断における最先端の DL 手法の可能性を強調し、信頼性が高く、より効率的な医療ソリューションに貢献します。

要約(オリジナル)

Alzheimer’s disease (AD) represents the primary form of neurodegeneration, impacting millions of individuals each year and causing progressive cognitive decline. Accurately diagnosing and classifying AD using neuroimaging data presents ongoing challenges in medicine, necessitating advanced interventions that will enhance treatment measures. In this research, we introduce a dual attention enhanced deep learning (DL) framework for classifying AD from neuroimaging data. Combined spatial and self-attention mechanisms play a vital role in emphasizing focus on neurofibrillary tangles and amyloid plaques from the MRI images, which are difficult to discern with regular imaging techniques. Results demonstrate that our model yielded remarkable performance in comparison to existing state of the art (SOTA) convolutional neural networks (CNNs), with an accuracy of 99.1%. Moreover, it recorded remarkable metrics, with an F1-Score of 99.31%, a precision of 99.24%, and a recall of 99.5%. These results highlight the promise of cutting edge DL methods in medical diagnostics, contributing to highly reliable and more efficient healthcare solutions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google