通过使用 2D 视觉 Transformer，我们提出了一种基于 Transformer 注意力编码器的 2D 医学图像模型，通过将 3D 图像切割成多个 2D 切片，以诊断 3D MRI 图像中的 AD。我们还提出了形态学增强方法，用于增加 AD 和正常图像之间的结构差异。实验结果表明，我们的模型在诊断 AD 方面表现出强大的能力，并且能够在不同的医学任务中进行泛化，这为医生以一种更简单的方式诊断 AD 提供了可能性。

Jan, 2024

本文介绍了一种基于元启发式算法的 ViT 模型，用于在不同阶段识别老年人痴呆症，表现出较高的准确性、精确率、召回率和 F1 得分。

Jan, 2024

通过将卷积神经网络（CNN）和视觉转换器（ViTs）相互结合，我们引入了一种新的端到端深度学习模型，3D Hybrid Compact Convolutional Transformers 3D（HCCT）。在突出阿尔茨海默病（AD）分类准确性方面，经过对知名的 AD 稳定数据集 ADNI 进行广泛评估，3D HCCT 表现出优异的性能，超越了现有的基于 CNN 和变换器的方法。其强大的泛化能力和可解释性在从 3D MRI 扫描进行 AD 分类方面具有重要意义，为改善患者护理和优越的临床结果提供了更准确可靠的诊断。

Mar, 2024

提出一种基于三维卷积神经网络和双重注意力模块的重现性模型，用于阿尔茨海默病分类，通过在 ADNI 数据库上训练并在 AIBL 和 OASIS1 两个独立数据集上验证，该方法在 MCI 进展分类方面的准确率达到 91.94％，在阿尔茨海默病分类方面的准确率达到 96.30％，并具有良好的泛化能力，在 AIBL 和 OASIS1 数据集上的准确率分别达到 86.37％和 83.42％。

Oct, 2023

本文介绍了一种高效的机器学习方法，即早期 - 后期融合（ELF）方法，其中利用卷积神经网络进行自动特征提取，利用随机森林在小样本数据集上具有竞争力的性能，同时采用了适应各个个体特征的鲁棒的预处理流程，并将图像转换为雅可比域以提高分类的准确性和鲁棒性，实验证明本方法在将阿尔茨海默病分为四个阶段的分类中达到了 97.19％的准确率。

Oct, 2023

本研究使用一组自注意力瓶颈变换器与成像质量感知极小化器的集成方法，基于结构性磁共振成像技术早期检测阿尔茨海默症，检验性能指标包括准确率、精准率、召回率、F1 得分和曲线下面积（ROC-AUC）。

May, 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

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