研究使用功能性磁共振成像技术研究人类大脑活动的异常功能性特征，包括与神经退行性疾病相关的异常功能特征，进而比较带有阿尔茨海默病和正常对照组之间的功能脑网络拓扑特性差异，结果表明 AD 患者存在异常的网络整合和分离，这些发现有助于从功能脑网络结构角度提高我们对 AD 病理生理学的认识，并可能有助于识别 AD 生物标志物。

May, 2023

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

使用卷积神经网络，基于阿尔茨海默病神经影像计划（ADNI）数据集 MRI 扫描，近年来的很多研究报告了阿尔茨海默病分类的最新性能，但此研究发现，将数据按照受试者级别划分为训练和测试集时，无法获得相似的结果，进而质疑了以前研究的可靠性，因此使用所有可用的受试者，对三种拆分方法进行了验证，并报告了结果。

Jun, 2019

阿尔茨海默病（AD）是认知能力逐渐下降的最常见的痴呆形式之一。本研究采用结构和功能性 MRI 探究了疾病引起的灰质和功能网络连接变化，并引入基因 SNP 作为第三个通道。我们提出了一种基于深度学习的分类框架，使用 Cycle GAN 生成模块来填补潜在空间中的缺失数据。通过整合梯度的可解释 AI 方法，提取了输入特征的相关性，增强了对学习表示的理解。实验结果表明，我们的模型能够在 CN/AD 分类中达到 SOA，平均测试准确率为 0.926±0.02。对于 MCI 任务，使用预训练模型进行 CN/AD 预测的平均准确率为 0.711±0.01。解释性分析揭示了与 AD 相关的皮层和皮下脑区的重要灰质调节，并确定了感觉运动和视觉静息态网络连接的损伤以及与淀粉样蛋白和胆固醇形成和清除调控相关的生物过程的 SNP 突变作为性能的贡献因素。总体而言，我们的综合深度学习方法在 AD 检测和 MCI 预测方面显示出潜力，同时为重要的生物学洞察提供了新的见解。

Jun, 2024

研究探索了在阿尔茨海默病的语境中使用生成对抗网络（GAN）从功能网络连接和 T1 加权结构磁共振成像数据中生成相应的数据，并通过集成弱监督的方式提高数据过渡的质量。结果显示模型具有良好的相似性和相关性，并在阿尔茨海默病患者的脑部图像中发现了特定的变化模式。

May, 2024

通过应用基于变形的形态学方法，本研究借助深度学习创建了符合认知正常的不同年龄群体的正常衰老萎缩模板，通过图像配准和模板对比评估了阿尔茨海默病相关的脑萎缩和正常衰老的效应，并发现该疾病早期的海马体和杏仁核区域更加呈现出加速的正常衰老模式。

Nov, 2023

本文研究了自动分类方法的主要趋势，探讨了卷积神经网络和 MRI 在海马区 ROI 上融合的痴呆症诊断算法，以及通过数据增强来平衡不同大小的类别对分类结果的影响。

Jan, 2018

本研究提出了基于扩散张量图像的端到端脑网络生成模型 Brain Diffuser，旨在分析结构脑网络的差异以获得结构连接性的更多特征和疾病相关信息，在阿尔茨海默病（AD）的情况下比现有工具包在 ADNI 数据库上展现出更好的性能表现。

Mar, 2023

提出了一种名为交叉模态变换生成对抗网络（CT-GAN）的新模型，能够从功能磁共振成像（fMRI）和扩散张量成像（DTI）中有效地融合功能和结构信息，并通过分析生成的连接特征来识别与阿尔茨海默病相关的大脑连接。评估结果表明，该模型能够显著提高预测性能，有效地检测与阿尔茨海默病相关的大脑区域，并为检测与该病相关的异常神经回路提供了新的见解。

Sep, 2023

本研究利用静息状态功能性磁共振成像序列研究了 ADHD 受试者的自动分类，计算脑部体素活动的配对相关性，使用网络特征训练 PCA-LDA 分类器，应用图形模式特征和脑部区域做脑图像，在分类性能，尤其是使用网络长度 3 的循环图提高诊断和了解该疾病的效力。

Jun, 2023