XiaoMi-AI文件搜索系统
World File Search SystemsMRI
使用自适应克隆选择根据 sMRI 数据对阿尔茨海默病阶段进行分类
摘要 — 结构磁共振成像 (sMRI) 已研究了多种神经系统疾病，并且已将其映射到大脑的不健康区域。必须尽快确定阿尔茨海默病 (AD) 患者，以便开始治疗。最近的研究集中于应用机器学习 (ML) 技术来分割大脑结构并对 AD 进行分类。克隆选择 (CS) 理论有效地实现了分类和优化的目标。自适应克隆选择 (ACS) 技术用于将 sMRI 扫描分为多个类别，例如认知正常 (CN)、轻度认知障碍 (MCI) 和纯 AD 类别。提出的 ACS 描述了免疫反应的基本特征。这为抗原只能在接收它的细胞子集内成熟而不是在身体其他部分成熟的假设提供了支持。与依赖突变的进化计算相比，这种方法擅长关注克隆扩增和亲和力的发展。所提出的 ACS 技术从克隆扩增概念中引入了基本标准，有助于创建用于识别上述 CN、MCI 和 AD 模板匹配的高效策略。所提出的 ACS 方法在分类和检测准确度方面比最先进的方法高出约 99%。关键词 — 阿尔茨海默病 (AD)、磁共振成像 (sMRI)、人工免疫系统 (AIS)、增强模糊 K 最近邻 (EFKNN)、自适应神经模糊推理系统 (ANFIS)
从全分辨率全分辨率全分辨率SMRI扫描
摘要 - 阿尔茨海默氏病（AD）是痴呆症最为流行的形式，比前列腺癌和乳腺癌杀死更多的人。结构磁共振成像（SMRI）广泛用于分析进行性脑部加重及其在区分AD方面的临床实用性。即使尚不存在有效治愈，早期发现对于减轻症状恶化的速度也是至关重要的。因此，本工作的目的是提出端到端3D卷积长的短期记忆（ConvlSTM）的基于全分辨率全分辨率全脑SMRI扫描的AD的框架。提出的框架应用于属于OASIS和ADNI数据库的427个全分辨率全分辨率全分辨率SMRI扫描，以提供较少的数据集特定于方法。的结果表明，我们的框架在区分AD的框架与认知上的Normal（CN）患者方面表现良好，达到86％的分类精度，敏感性为96％，F1评分为88％，AUC为88％，AUC的AUC为93％。测试是在可扩展的GPU云服务上进行的，并可以公开使用以保证可重复性。由于所提出的框架在没有AD的领域特定知识以及计算成本的过程（例如分割）的情况下表现良好，因此可以使用全脑SMRI扫描作为输入数据将其应用于其他精神疾病。索引术语 - Alzheimer病，深度学习，诊断，端到端方法，可扩展的GPU云，结构磁共振成像，3D卷积长的短期记忆
基于大脑 sMRI、rs-fMRI 和 EEG 的自闭症谱系障碍诊断的机器学习算法的准确性：三项系统评价和荟萃分析的方案
I. Amir Valizadeh 1，医学博士，thisisamirv@gmail.com，ORCID II。 Mana Moassefi 1，医学博士，Moassefi@gmail.com，ORCID III。 Amin Nakhostin-Ansari 2，医学博士，a-nansari@alumnus.tums.ac.ir，ORCID IV。 Iman Menbari Oskoie 2，医学博士，imanmenbary@gmail.com，ORCID V. Soheil Heidari Some'eh 2,3，医学博士，S-heidari@student.tums.ac.ir，ORCID VI。 Faezeh Aghajani 2,3，医学博士，faezehaghajani.fa@gmail.com，ORCID VII。 Mehrnush Torbati 4，医学博士，M.storbati@yahoo.com，ORCID VIII。 Zahra Maleki Ghorbani 2,3，医学博士，Malmandi25@gmail.com，ORCID IX。 Reyhaneh Aghajani 2,3，医学博士，Reyhaneh.aghajani1376@gmail.com，ORCID X. Seyed Hossein Hosseini Asl 2,3，医学博士，hoseinihocein@gmail.com，ORCID XI。 Alireza Mirzamohammadi 2,3，医学博士，alireza.mirzamohamadi@shahed.ac.ir，ORCID XII。 Mohammad Ghafouri 2，医学博士，mohammadghafouri1372@gmail.com，ORCID XIII。 Shahriar Faghani 5,6，医学博士，Shahriar.faghani@gmail.com，ORCID XIV。 Amir Hossein Memari 2 ，医学博士，Mehranamir@yahoo.com ，ORCID