Leveraging Bi-Focal Perspectives and Granular Feature Integration for Accurate Reliable Early Alzheimer’s Detection

要約

アルツハイマー病（AD）は最も一般的な神経変性であり、毎年何百万人もの患者が診断されています。
現在の医療シナリオでは、神経画像データによる AD の正確な診断と分類において依然として課題が見つかっています。
従来の CNN は、画像内の大量の低レベル情報を抽出できますが、高レベルの微粒子を抽出することはできません。これは、MRI スキャンから AD を検出する際の大きな課題です。
これを克服するために、異なるスケールでの情報抽出と効率的な情報フローを組み合わせて、モデルが広範な特徴と詳細な特徴の両方を同時にキャプチャできるようにする、新しい詳細な特徴統合方法を提案します。
また、MRI スキャンで微妙な神経原線維変化やアミロイド斑を強調表示し、重要な病理学的マーカーを正確に特定するための Bi-Focal Perspective メカニズムも提案します。
私たちのモデルは、F1 スコア 99.31%、精度 99.24%、再現率 99.51% を達成しました。
これらのスコアは、私たちのモデルが既存の最先端 (SOTA) CNN よりも大幅に優れていることを証明しています。

要約(オリジナル)

Alzheimer’s disease (AD) is the most common neurodegeneration, annually diagnosed in millions of patients. The present medicine scenario still finds challenges in the exact diagnosis and classification of AD through neuroimaging data. Traditional CNNs can extract a good amount of low-level information in an image but fail to extract high-level minuscule particles, which is a significant challenge in detecting AD from MRI scans. To overcome this, we propose a novel Granular Feature Integration method to combine information extraction at different scales combined with an efficient information flow, enabling the model to capture both broad and fine-grained features simultaneously. We also propose a Bi-Focal Perspective mechanism to highlight the subtle neurofibrillary tangles and amyloid plaques in the MRI scans, ensuring that critical pathological markers are accurately identified. Our model achieved an F1-Score of 99.31%, precision of 99.24%, and recall of 99.51%. These scores prove that our model is significantly better than the state-of-the-art (SOTA) CNNs in existence.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google