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) は神経変性の最も一般的な形態であり、毎年何百万もの人々が影響を受けています。
神経画像データを使用して AD を正確に診断および分類することは、医学分野における継続的な課題です。
従来の畳み込みニューラル ネットワーク (CNN) は、画像から低レベルの情報を取得するのには優れていますが、高レベルの微粒子を抽出する機能は最適とは言えず、これが MRI スキャンから AD を検出する際の大きな課題となっています。
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に焦点を当てるための 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% をもたらしました。これは、既存の最先端 (SOTA) CNN と比較して大幅な改善を示しています。

要約(オリジナル)

Alzheimer’s disease (AD) is the most common form of neurodegeneration, which impacts millions of people each year. Diagnosing and classifying AD accurately with neuroimaging data is an ongoing challenge in the field of medicine. Traditional Convolutional Neural Networks (CNNs) are good at capturing low-level information from images, but their capability to extract high-level minuscule particles is suboptimal, 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. We also propose a Bi-Focal Perspective mechanism to highlight focus on subtle neurofibrillary tangles and amyloid plaques in MRI scans. Our model yielded an F1-Score of 99.31%, a precision of 99.24%, and a recall of 99.51%, which shows a major improvement in comparison to existing state-of-the-art (SOTA) CNNs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google