本研究提出了一种应用于静息状态 fMRI 体积的跨多尺度视角（全局尺度 - 脑网络水平和局部尺度 - 检查构成网络的每个个体 ROI）的技术，并利用深度学习的分类方法来理解神经退行性问题。提出的方法的创新之处在于利用了两种极端尺度的分析。一种分支考虑了整个网络在图分析框架内，同时第二种分支分别审查网络中的每个 ROI，重点关注动态演变。该方法用于对 50 个健康对照组（HC）和 50 个轻度认知损害（MCI）人群进行分类，结果表明：（1）MCI 组中的 ROI（如 PCC）活动减少，（2）MCI 组中的枕叶活动增加，这在 HC 组中未见，（3）在动态分析中，MCI 组中的所有 ROI 显示出更大的时间序列可预测性。

Feb, 2024

通过训练具有不同输入类型和训练策略的 ResNet-18 网络，本研究比较了用于淋巴瘤 PET/CT 图像的自动切片分类的不同模型性能，发现使用只包含 PET 切片的网络输入和患者级切片训练方式的 CAG 训练策略是性能最佳的模型，并使用二元分类指标进行了性能比较。

Mar, 2024

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

本论文通过迁移学习的方法，使用预训练的深度学习模型，选取信息熵最大的 MRI 图像进行训练，证明相比于当前的基于深度学习的方法，使用小得多的训练样本数量，可以达到类似甚至更好的性能。

Nov, 2017

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

使用 FLAIR 影像的卷积神经网络来自动分割多发性硬化症的病变，该方法在测试中表现显著优于其他现有的方法。

Jan, 2022

本文提出一种使用多维分类和支持向量机基于海马形状特征来自动区分老年控制组、痴呆症 (AD) 以及轻度认知障碍 (MCI) 患者的新方法，并与海马体积测量和其他 SVM 整脑分类方法进行比较。结果表明，该方法的分类性能优于海马体积测量，并可作为帮助诊断 AD 的有用工具。

Jul, 2017

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