其他行业 · AI应用
用于阿尔茨海默病预测的深度学习流水线
Konica Minolta HLUS实验室在Saman Sarraf领导下，利用静息态功能磁共振成像（rs-fMRI）数据预测阿尔茨海默病。研究人员开发了一套端到端的深度学习流水线，对原始数据进行预处理，并使用NVIDIA DIGITS训练基于LeNet-5架构的两层卷积神经网络。通过五折交叉验证，该方法在区分阿尔茨海默病患者与正常对照组方面达到了96.85%的平均准确率，展现出高可重复性和一致性，并获得了最佳论文奖。未来“DeepAD”项目计划通过增加数据和优化预处理进一步提高准确率。
开发了从静息态功能磁共振成像数据预测阿尔茨海默病的端到端深度学习流水线。
未披露
通过五折交叉验证，在区分阿尔茨海默病与正常对照组方面达到96.85%的平均准确率。
未披露
结果具有高可重复性和一致性，并因此获得最佳论文奖。
未披露
01
业务背景
Konica Minolta HLUS实验室在Saman Sarraf领导下，利用静息态功能磁共振成像（rs-fMRI）数据预测阿尔茨海默病。研究人员开发了一套端到端的深度学习流水线，对原始数据进行预处理，并使用NVIDIA DIGITS训练基于LeNet-5架构的两层卷积神经网络。通过五折交叉验证，该方法在区分阿尔茨海默病患者与正常对照组方面达到了96.85%的平均准确率，展现出高可重复性和一致性，并获得了最佳论文奖。未来“DeepAD”项目计划通过增加数据和优化预处理进一步提高准确率。
02
遇到的问题
03
AI 解决方案
04
实施结果
开发了从静息态功能磁共振成像数据预测阿尔茨海默病的端到端深度学习流水线。：
通过五折交叉验证，在区分阿尔茨海默病与正常对照组方面达到96.85%的平均准确率。：
结果具有高可重复性和一致性，并因此获得最佳论文奖。：
未来“DeepAD”项目有望通过增加数据和精细预处理使准确率接近100%。：
使用NVIDIA DIGITS和LeNet-5模型进行实现。：
05
风险与边界
“”
信息来源
1 个来源页面内容为结构化改写；关键结论应可追溯到以下材料。