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

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

本研究针对深度卷积神经网络应用于结构性脑部 MRI 扫描检测阿尔茨海默病的问题，提出几种可以提升模型性能的技术，其中包括实例规范化、年龄信息等，这些技术的应用可将模型的准确率提高 14%。

Nov, 2019

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

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

采用 RF、SVM 和 CNN 算法，并利用分水岭分割从 MRI 图像中提取特征，我们提出了一种对痴呆的四个阶段进行分类的方法。结果显示，具有分水岭特征的 SVM 具有 96.25% 的令人印象深刻的准确率，超过其他分类方法。该方法在 ADNI 数据集上评估，并观察到分水岭分割的引入有助于模型的改进性能。

Nov, 2023

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

通过使用深度学习技术，特别是基于最先进的卷积神经网络（CNNs），对磁共振成像（MRI）数据进行分类，以便识别阿尔茨海默病（AD），该研究报告了采用多个 CNN 模型的集成方法来提高检测的查全率和准确性，其中多数投票法表现得更好。我们提出的方法在测试中获得了 90% 的准确率、0.90 的精确度和 0.89 的召回率。未来可以扩展该研究以纳入其他类型的医学数据，包括信号、图像和其他数据，使用其他分类器、神经网络和人工智能技术以提高阿尔茨海默病的检测。

May, 2024