Convolutional neural networks for Alzheimer’s disease detection on MRI images

卷积神经网络 体素 人工智能 学习迁移 深度学习 模式识别(心理学) 循环神经网络 计算机科学 人工神经网络 磁共振成像 医学 特征(语言学) 放射科 语言学 哲学
作者
Amir Ebrahimi Ghahnavieh,Siwei Luo,Alzheimer’s Disease Neuroimaging Initiative
出处
期刊:Journal of medical imaging [SPIE - International Society for Optical Engineering]
卷期号:8 (02) 被引量:32
标识
DOI:10.1117/1.jmi.8.2.024503
摘要

Purpose: Detection of Alzheimer's disease (AD) on magnetic resonance imaging (MRI) using convolutional neural networks (CNNs), which is useful for detecting AD in its preliminary states. Approach: Our study implements and compares several deep models and configurations, including two-dimensional (2D) and three-dimensional (3D) CNNs and recurrent neural networks (RNNs). To use a 2D CNN on 3D MRI volumes, each MRI scan is split into 2D slices, neglecting the connection among 2D image slices in an MRI volume. Instead, a CNN model could be followed by an RNN in a way that the model of 2D CNN + RNN can understand the connection among sequences of 2D image slices for an MRI. The issue is that the feature extraction step in the 2D CNN is independent of classification in the RNN. To tackle this, 3D CNNs can be employed instead of 2D CNNs to make voxel-based decisions. Our study's main contribution is to introduce transfer learning from a dataset of 2D images to 3D CNNs. Results: The results on our MRI dataset indicate that sequence-based decisions improve the accuracy of slice-based decisions by 2% in classifying AD patients from healthy subjects. Also the 3D voxel-based method with transfer learning outperforms the other methods with 96.88% accuracy, 100% sensitivity, and 94.12% specificity. Conclusions: Several implementations and experiments using CNNs on MRI scans for AD detection demonstrated that the voxel-based method with transfer learning from ImageNet to MRI datasets using 3D CNNs considerably improved the results compared with the others.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
Dawn完成签到 ,获得积分10
3秒前
杨永佳666完成签到 ,获得积分10
3秒前
烟花应助小雷采纳,获得10
4秒前
pphss发布了新的文献求助30
7秒前
neilphilosci完成签到 ,获得积分10
8秒前
2024kyt完成签到 ,获得积分10
10秒前
胖胖橘完成签到 ,获得积分10
12秒前
一缕轻曲挽南墙完成签到 ,获得积分10
13秒前
汉堡包应助聪明安筠采纳,获得10
16秒前
啦啦啦完成签到 ,获得积分10
18秒前
潇湘完成签到 ,获得积分10
18秒前
看见了紫荆花完成签到 ,获得积分10
19秒前
临风浩歌完成签到 ,获得积分10
21秒前
ghost完成签到 ,获得积分10
25秒前
shimenwanzhao完成签到 ,获得积分0
26秒前
28秒前
研友_LBRPOL完成签到 ,获得积分10
30秒前
小雷发布了新的文献求助10
35秒前
Cai完成签到,获得积分10
40秒前
miyulong完成签到 ,获得积分10
41秒前
NexusExplorer应助陈秋采纳,获得10
43秒前
高挑的洋葱完成签到,获得积分10
51秒前
和谐的映梦完成签到,获得积分10
51秒前
wBw完成签到,获得积分10
55秒前
Epiphany完成签到 ,获得积分10
56秒前
Mendle完成签到 ,获得积分10
57秒前
搜集达人应助miyulong采纳,获得10
1分钟前
汪汪淬冰冰完成签到,获得积分10
1分钟前
huangzsdy完成签到,获得积分10
1分钟前
王小裔完成签到 ,获得积分10
1分钟前
我爱康康文献完成签到 ,获得积分10
1分钟前
SC完成签到 ,获得积分10
1分钟前
rangergzz应助汪汪淬冰冰采纳,获得10
1分钟前
小雷完成签到,获得积分10
1分钟前
1分钟前
浪麻麻完成签到 ,获得积分10
1分钟前
onevip完成签到,获得积分10
1分钟前
鞑靼完成签到 ,获得积分10
1分钟前
上官聪展完成签到 ,获得积分10
1分钟前
温如军完成签到 ,获得积分10
1分钟前
高分求助中
좌파는 어떻게 좌파가 됐나:한국 급진노동운동의 형성과 궤적 2500
Sustainability in Tides Chemistry 1500
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Cognitive linguistics critical concepts in linguistics 800
Threaded Harmony: A Sustainable Approach to Fashion 799
Livre et militantisme : La Cité éditeur 1958-1967 500
氟盐冷却高温堆非能动余热排出性能及安全分析研究 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3052652
求助须知:如何正确求助?哪些是违规求助? 2709874
关于积分的说明 7418267
捐赠科研通 2354453
什么是DOI,文献DOI怎么找? 1246090
科研通“疑难数据库(出版商)”最低求助积分说明 605951
版权声明 595921