卷积神经网络在自动检测阿尔茨海默病中的设计
本文提出了一种基于 3D 卷积神经网络的方法，通过学习通用的 AD 生物标志物特征并适应不同领域的数据集，在没有经过颅骨去除的 MRI 数据集上，通过对解剖形态变异的捕捉，实现了 AD 的预测和分类，并在实验中验证了其优越性和鲁棒性。
Jul, 2016
本文提出了一种利用深度学习方法进行疾病预测的算法，通过 MRI 扫描病人的大脑，基于 ADNI 数据集中的 2265 个历史扫描，该算法可用于预测病人的疾病状态，并证明了 3D 卷积神经网络优于文献中的其他分类器并产生了最新的结果。
Feb, 2015
本研究提出了一种基于 ResNet 的端到端 3D CNN 框架，结合注意力机制作用下获取的多层特征，以更好地捕捉脑部图像的细微差异，用于阿尔茨海默病的诊断。在 ADNI 数据库的 792 个受试者上进行了消融实验验证，基于 sMRI 和 PET 分别实现了 89.71% 和 91.18% 的诊断准确率，并且超过了一些最先进的方法。
Aug, 2023
本研究探讨将深度学习模型应用于阿尔兹海默病的诊断，使用 3D 卷积神经网络进行训练和测试，并设计了一个算法集成，能够优于任何单独算法，在超过 1500 个完整的脑部体积中展现出良好的分类性能和突出的诊断能力，这些算法具有成为软件包的潜力，能够协助医生 / 放射科医生更好地诊断阿尔兹海默病。
Dec, 2022
通过严格遵守数据处理、实验设计和模型评估等最佳实践，本研究旨在确保机器学习在临床实践中作为可靠工具的地位。以阿尔茨海默病检测为例，我们研究了不同的数据增强技术和模型复杂度对整体性能的影响，采用 3D 卷积神经网络处理 ADNI 数据集的分类问题。通过交叉验证和多次训练试验，我们训练了 15 个预测模型，考虑了三种不同的数据增强策略和五种不同的 3D 卷积神经网络架构，每种架构的卷积层数不同。通过数据增强和模型复杂度的综合效应，准确率的预测性能变化高达 10%。当分别应用仿射变换时，模型的准确性更高，与采用的架构无关。对于所有策略，模型准确率随着卷积层数的增加呈现凹曲线行为，在中间值层次达到峰值。最佳模型（8 个卷积层、架构 B）在交叉验证折数和训练试验中最稳定，在测试集和外部测试集上表现出色。
Sep, 2023
通过使用深度学习和图像识别技术，本研究提出了一种基于卷积神经网络的新型阿尔茨海默病检测模型，该模型利用预训练的 ResNet 网络作为骨干，结合了 3D 医学图像的后融合算法和注意力机制，实验证明引入的 2D 融合算法有效降低了模型的训练开销，而注意力机制准确评估了图像中重要区域，进一步提高了模型的诊断准确性。
Jan, 2024
该研究提出了一种使用脑部 MRI 数据分析进行阿尔茨海默病检测和分类的方法，通过卷积神经网络的组合在 OASIS 数据集上展现出卓越的性能。
Dec, 2017
该研究提出了一种结合了伽玛校正和脑结构专注的神经退化卷积神经网络（SNeurodCNN）的机器学习框架，用于区分早期阿尔茨海默病（AD）和轻度认知障碍（MCI），通过实验证明该模型在诊断及特定脑区变化的准确性、特异性和敏感性方面表现出色，成为早期 AD 诊断的潜在大脑结构变化数字生物标志物。
Jan, 2024
本文提出了一个利用多模态和多尺度深度神经网络的新框架来早期诊断阿尔茨海默病，能够更好地表征人脑变化，并比现有文献的结果具有更好的区别能力。该方法在 3 年内预测致残的受试者的准确度为 85.68％。
Oct, 2017