Classification of Alzheimer's Disease using fMRI Data and Deep Learning Convolutional Neural Networks
在过去的十年中，机器学习技术特别是预测建模和模式识别在从药物输送系统到医学成像的生物医学科学中已经成为帮助研究人员更深入地理解整个问题和解决复杂医学问题的重要方法之一。深度学习是在提取高级特征的同时进行分类的功率学习机器学习算法。在本文中，我们使用卷积神经网络来分类阿尔茨海默氏症的大脑从正常健康的大脑。对这类医学数据进行分类的重要性在于潜在地开发预测模型或系统，以便从正常受试者中识别疾病类型或估计疾病的阶段。阿尔茨海默病等临床数据的分类一直具有挑战性，最有问题的部分一直是选择最具区分力的特征。利用卷积神经网络（CNN）和著名的结构LeNet-5，我们成功地对阿尔茨海默病患者和正常人的功能MRI数据进行了分类，其中测试数据对训练数据的准确率达到96.85%。该实验表明，由CNN提取的平移和尺度不变特征，然后进行深度学习分类，是在fMRI中区分临床数据和健康数据的最有效方法。这种方法还使我们能够扩展我们的方法来预测更复杂的系统。
2016-03-29 cs.CV
An Ensemble of Deep Convolutional Neural Networks for Alzheimer's Disease Detection and Classification
Georgia State University（佐治亚州立大学）
阿尔茨海默病破坏脑细胞，导致人们失去记忆，精神功能和继续日常活动的能力。这是一种严重的神经系统脑疾病，无法治愈，但早期发现阿尔茨海默病可以帮助进行适当的治疗，并防止脑组织损伤。阿尔茨海默病（AD）的检测和分类是具有挑战性的，因为有时可以在老年人的正常健康大脑MRI数据中找到区分阿尔茨海默病MRI数据的迹象。此外，存在相对少量的数据集可用于训练自动阿尔茨海默病检测和分类模型。在本文中，我们提出了一种新的阿尔茨海默病检测和分类模型，使用脑MRI数据分析。我们开发了一个深度卷积神经网络的集合，并在开放获取系列成像研究（OASIS）数据集上展示了卓越的性能。
2017-12-19 cs.CV cs.LG
Longformer: Longitudinal Transformer for Alzheimer's Disease Classification with Structural MRIs
Shanghai Jiao Tong University（上海交通大学）
针对现有阿尔茨海默病识别方法忽略疾病进展性、仅用单次结构MRI的问题，提出时空Transformer模型Longformer，通过空间注意力与时序脑区特征整合实现纵向MRI分类，在ADNI数据集上达SOTA。
2023-12-15 cs.CV
Deep convolutional neural networks for segmenting 3D in vivo multiphoton images of vasculature in Alzheimer disease mouse models
Cornell University（康奈尔大学）
组织的健康和功能依赖于其脉管系统网络来提供可靠的血液灌注。体积成像方法，如多光子显微镜，能够生成详细的血管3D图像，有助于我们了解血管结构在正常生理和疾病机制中的作用。血管的分割是一个核心的图像分析问题，是一个瓶颈，阻碍了系统地比较实验人群中的3D血管结构。我们探讨了使用卷积神经网络分割三维血管体积在体内图像采集多光子显微镜。我们在这个分割问题的背景下评估了不同的网络架构和机器学习技术。我们表明，我们优化的卷积神经网络架构，我们称之为DeepVess，产生了比当前最先进的和经过训练的人类注释器更好的分割准确性，同时也快了几个数量级。为了探索衰老和阿尔茨海默病对毛细血管的影响，我们将DeepVess应用于阿尔茨海默病的年轻和老年小鼠模型以及野生型同窝仔的皮质血管的3D图像。我们发现这些组之间毛细血管直径或迂曲度的分布几乎没有差异，但确实注意到在野生型和阿尔茨海默病小鼠模型中，与年轻动物相比，老年动物中较长毛细血管节段（$>75μm$）的数量减少。
2019-02-25 cs.CV
A Convolutional-based Model for Early Prediction of Alzheimer's based on the Dementia Stage in the MRI Brain Images
School of Information Technology（信息技术学院）；University of Cincinnati（辛辛那提大学）
老年痴呆症是一种脑部退化性疾病。是成年人痴呆症的主要原因，并逐渐破坏大脑记忆。尽管阿尔茨海默病目前还无法治愈，但早期诊断将有助于减轻疾病的严重程度。因此，阿尔茨海默氏症的早期诊断可能有助于减少或阻止疾病的进展。在本文中，我们提出了一个基于深度卷积神经网络的学习模型，用于根据磁共振成像（MRI）图像来检测阿尔茨海默病的早期发作，以确定成人痴呆症的阶段。
2023-02-15 cs.CV cs.LG
Predicting Alzheimer's Disease Using 3DMgNet
School of Mathematics and Computational Science, Xiangtan University（湘潭大学数学与计算科学学院）；In-Chao Institute（因超研究所）
阿尔茨海默氏病（AD）是一种不可逆的脑神经退行性疾病，可导致记忆力减退、沟通困难和定向障碍。对于阿尔茨海默病的诊断，临床上往往需要一系列的量表对诊断进行评估，这不仅增加了医生的工作量，也使得诊断的结果具有很强的主观性。因此，对于阿尔茨海默病，通过影像学手段寻找早期诊断标志物已成为当务之急。在本文中，我们提出了一种新的3DMgNet架构，这是一个统一的框架，多网格和卷积神经网络诊断阿尔茨海默病（AD）。该模型使用开放数据集（ADNI数据集）进行训练，然后使用我们的较小数据集进行测试。最后，该模型实现了92.133%的准确率为AD与NC分类，并显着降低了模型参数。
2022-01-12 cs.CV cs.LG eess.IV
A reproducible 3D convolutional neural network with dual attention module (3D-DAM) for Alzheimer's disease classification
本文提出带双注意力模块的可复现3D-DAM三维卷积神经网络，用于阿尔茨海默病及MCI进展分类，并在ADNI、AIBL和OASIS1上验证了优异性能与泛化能力。
2024-07-02 cs.CV eess.IV
Introducing Vision Transformer for Alzheimer's Disease classification task with 3D input
University of Toronto（多伦多大学）；The Hospital for Sick Children（病童医院）
许多高性能分类模型利用复杂的基于CNN的架构进行阿尔茨海默病分类。我们的目标是调查两个相关的问题，关于阿尔茨海默病的分类使用MRI：“做视觉转换器为基础的模型比基于CNN的模型表现更好？以及“是否有可能使用基于CNN的浅三维模型来获得令人满意的结果？“为了实现这些目标，我们提出了两种可以接受和处理3D MRI扫描的模型：卷积体素Vision Transformer（CVVT）架构和ConvNet 3D-4，一种基于浅4块3D CNN的模型。我们的研究结果表明，浅三维CNN为基础的模型是足够的，以实现良好的分类结果阿尔茨海默氏病使用MRI扫描。
2022-10-03 cs.CV cs.LG eess.IV
Early Detection of Alzheimer's - A Crucial Requirement
老年痴呆症是一种65岁以上的老年病，会导致记忆、思维和行为方面的问题。这种疾病进展非常缓慢，在早期阶段识别非常困难。老年痴呆症的症状出现缓慢，逐渐会产生更坏的影响。在早期阶段，不仅患者本身，而且他们的亲人通常无法接受患者患有疾病。在本文中，我们提出了一种新的算法来检测老年痴呆症患者在早期阶段通过比较患者的磁共振图像（MRI）与正常人的年龄。疾病的进展也可以通过定期比较之前和当前的MRI来监测。
2013-05-14 cs.CV physics.med-ph
Transfer Learning and Class Decomposition for Detecting the Cognitive Decline of Alzheimer Disease
University of Bristol（布里斯托大学）
阿尔茨海默病（AD）的早期诊断对于预防疾病的进展至关重要。因此，近年来，从诸如结构磁共振成像（sMRI）的神经成像数据检测AD一直是激烈研究的主题。深度学习在阿尔茨海默氏症的检测中获得了相当大的关注。然而，从头开始训练卷积神经网络是具有挑战性的，因为它需要更多的计算时间和大量的注释数据。迁移学习通过将从其他图像识别任务中学习到的知识转移到医学图像分类中，可以提供一种有前途的有效解决方案。数据集分布的不稳定性带来了另一个困难。类分解可以通过简化学习数据集的类边界来解决这个问题。受这些方法的启发，本文提出了一种使用类分解的迁移学习方法来从sMRI图像中检测阿尔茨海默病。我们使用两种ImageNet训练的架构：VGG19和ResNet50，以及基于熵的技术来确定信息量最大的图像。所提出的模型在阿尔茨海默病（AD）与轻度认知障碍（MCI）与认知正常（CN）分类任务中实现了最先进的性能，与文献中报道的准确性相比提高了3%。
2023-01-31 cs.AI cs.CV
Automatic Detection of Alzheimer's Disease with Multi-Modal Fusion of Clinical MRI Scans
Center for Data Science（数据科学中心）；New York University（纽约大学）；NYU Grossman School of Medicine（纽约大学格罗斯曼医学院）；NYU Center for Data Science（纽约大学数据科学中心）
本文提出一种基于AlexNet的多模态深度学习模型，融合T1和FLAIR脑MRI扫描，用于自动区分CN、MCI和AD三个疾病阶段。
2023-11-30 cs.CV eess.IV
Alzheimer's Disease Brain MRI Classification: Challenges and Insights
College of Information and Computer Sciences（信息与计算机科学学院）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
近年来，许多论文报道了使用卷积神经网络对阿尔茨海默病神经成像倡议（ADNI）数据集进行MRI扫描的阿尔茨海默病分类的最新性能。然而，我们发现，当我们将这些数据划分为受试者级别的训练集和测试集时，我们无法获得类似的性能，这使得许多先前研究的有效性受到质疑。此外，我们指出，以前的作品使用不同的子集的ADNI数据，比较类似的作品棘手。在这项研究中，我们提出了三种分裂方法的结果，讨论其有效性背后的动机，并报告我们的结果使用所有可用的主题。
2019-06-10 cs.CV eess.IV
Enhancing Early Alzheimer Disease Detection through Big Data and Ensemble Few-Shot Learning
Robotics and Internet of Things Laboratory, Prince Sultan University（王子苏大学机器人与物联网实验室）；RIADI Laboratory, National School of Computer Science, University of Manouba（RIADI实验室，国家计算机科学学院，曼努巴大学）
针对标注医学数据稀缺导致阿尔茨海默病检测准确率受限的问题，提出融合多种预训练CNN为编码器、结合类别感知与熵损失的ProtoNet集成小样本学习方法，在两个数据集上取得超99.7%的准确率，优于现有前沿方法。
2025-10-22 cs.AI cs.CV
Multimodal Contrastive Learning and Tabular Attention for Automated Alzheimer's Disease Prediction
针对现有计算机视觉方法难以利用AD表格数据的问题，提出多模态对比学习与表格注意力框架，在ADNI的882个MR切片上实现83.8%以上准确率，较先前最优提升近10%。
2023-08-29 cs.AI cs.CV
Deformation-aware Temporal Generation for Early Prediction of Alzheimers Disease
the College of Computer Science and Technology,Huaqiao University（华侨大学计算机科学与技术学院）；the Key Laboratory of Computer Vision and Machine Learning in Fujian Province（福建省计算机视觉与机器学习重点实验室）
本文提出DATGN网络，通过考虑变形的时序生成技术，实现对阿尔茨海默病早期预测的准确识别。
2025-11-26 cs.AI cs.CV
Visual Explanations From Deep 3D Convolutional Neural Networks for Alzheimer's Disease Classification
University of Florida（佛罗里达大学）
我们开发了三种有效的方法，用于从3D卷积神经网络（3D-CNN）中生成用于阿尔茨海默病分类的视觉解释。一种方法对分层3D图像分割进行敏感性分析，另两种方法在空间图上可视化网络激活。视觉检查和定量定位基准表明，所有方法都可以识别阿尔茨海默病诊断的重要大脑部位。对比分析表明，基于敏感性分析的方法难以处理松散分布的大脑皮层，基于激活可视化的方法受到卷积层分辨率的限制。这些方法的互补性从不同角度提高了对3D-CNN在阿尔茨海默病分类中的理解。
2018-07-06 cs.AI cs.CV cs.LG
Testing the robustness of attribution methods for convolutional neural networks in MRI-based Alzheimer's disease classification
Charité – Universitätsmedizin Berlin（柏林夏里特医学院）；Freie Universität Berlin（柏林自由大学）；Humboldt-Universität zu Berlin（柏林洪堡大学）；Berlin Institute of Health (BIH)（柏林健康研究所）
归因方法是一种易于使用的工具，用于调查和验证机器学习模型。文献中提出了多种方法，但尚不清楚哪种方法最适合特定任务。在这项研究中，我们测试了四种属性方法的鲁棒性，即梯度 * 输入，引导反向传播，逐层相关传播和遮挡，用于阿尔茨海默病分类的任务。我们使用相同的训练设置反复训练卷积神经网络（CNN），以分离阿尔茨海默病患者和健康对照的结构MRI数据。之后，我们为测试数据中的每个受试者制作了归因图，并在模型和归因方法之间进行了定量比较。我们表明，视觉比较是不够的，一些广泛使用的归因方法产生高度不一致的结果。
2019-09-19 cs.CV eess.IV
Alzheimers Disease Diagnosis by Deep Learning Using MRI-Based Approaches
本文系统分析了2021至2023年五项基于MRI深度学习的阿尔茨海默病诊断研究，深入比较其方法差异与工作原理，以推动早期诊断和分期检测。
2023-10-26 cs.CV eess.IV
Classification of Alzheimer's Disease Using the Convolutional Neural Network (CNN) with Transfer Learning and Weighted Loss
Brawijaya University（布劳爪哇大学）
阿尔茨海默病是一种进行性神经退行性疾病，逐渐剥夺患者的认知功能，并可能导致死亡。随着当今技术的进步，可以通过磁共振成像（MRI）扫描检测阿尔茨海默病。因此，MRI是最常用于诊断和分析阿尔茨海默病进展的技术。有了这项技术，可以使用机器学习自动实现阿尔茨海默病早期诊断中的图像识别。虽然机器学习有很多优点，但目前深度学习的使用更广泛，因为它具有更强的学习能力，更适合解决图像识别问题。然而，实现深度学习仍然必须面对几个挑战，例如需要大型数据集，需要大量计算资源，以及需要仔细的参数设置以防止过拟合或欠拟合。为了应对使用深度学习对阿尔茨海默病进行分类的挑战，本研究提出了具有残差网络18层（ResNet-18）架构的卷积神经网络（CNN）方法。为了克服对大型和平衡数据集的需求，使用ImageNet的转移学习并对损失函数值进行加权，以便每个类具有相同的权重。本研究亦进行了一个实验，将网路活化函数改为mish活化函数，以增加正确率。从已经进行的测试的结果来看，使用迁移学习、加权损失和mish激活函数，模型的准确率为88.3%。该准确度值从基线模型增加，基线模型仅获得69.1%的准确度。
2022-07-04 cs.CV eess.IV
MRI Images Analysis Method for Early Stage Alzheimer's Disease Detection
Faculty of Science, Northern Border University（北部边境大学理学院）；SEU Saudi Electronic University（沙特电子大学）
阿尔茨海默氏病是一种神经变性疾病，会改变记忆和认知功能，导致死亡。通过检测被称为轻度认知障碍（MCI）的早期阶段来早期诊断该疾病仍然是一个具有挑战性的问题。在这方面，我们在本文中介绍了一个强大的分类架构，该架构实现了预训练的网络AlexNet，以自动从磁共振成像（MRI）图像中提取最突出的特征，从而在MCI阶段检测阿尔茨海默病。使用OASIS Database Brain的大型数据库对所提出的方法进行了评估。使用了大脑的各个部分：额叶、矢状和轴向。通过对420例受试者（210例正常人和210例MRI）的测试，该方法的准确率达到96.83
2020-11-27 cs.CV cs.LG eess.IV
Early Detection of Alzheimer's Disease using Bottleneck Transformers
Indira Gandhi Delhi Technical University for Women（英迪拉·甘地德里女子技术大学）
本研究针对阿尔茨海默病及前驱期轻度认知障碍的早期检测需求，提出结合锐度感知最小化器的自注意力瓶颈Transformer集成方法，在ADNI数据集上通过多项指标验证了检测性能。
2023-05-01 cs.CV eess.IV
Dynamic Image for 3D MRI Image Alzheimer's Disease Classification
University of Kentucky（肯塔基大学）
我们建议将2D CNN架构应用于3D MRI图像阿尔茨海默病分类。训练3D卷积神经网络（CNN）是耗时且计算昂贵的。我们利用近似秩池将3D MRI图像体积转换为2D图像以用作2D CNN的输入。我们证明了我们提出的CNN模型比基线3D模型实现了$9.5\%$更好的阿尔茨海默病分类准确性。我们还表明，我们的方法可以进行有效的训练，与3D CNN模型相比，只需要20%的训练时间。该代码可在线获取：https://github.com/UkyVision/alzheimer-project。
2020-11-30 cs.AI cs.CV cs.LG
Prediction of the progression of subcortical brain structures in Alzheimer's disease from baseline
Inria Paris（法国国家信息与自动化研究所巴黎中心）
我们提出了一种方法来预测从基线MRI提取的脑结构的受试者特定的纵向进展，并评估其对阿尔茨海默病数据的性能。疾病的进展被建模为一个轨迹上的一组的大变形同态度量映射（LDDMM）的上下文中。我们首先展示了有限的预测能力测地线回归外推这一组。最近的平行曲线的形状流形的概念的基础上，我们引入了第二个预测协议，个性化以前学到的轨迹，新的主题，并调查两个平行的移动范式的相对性能。该设计仅需要基线成像数据。最后，系数编码的疾病动力学获得的纵向认知测量每个主题，并利用我们的方法，证明成功地预测随访。
2017-11-23 cs.CV stat.ML
Automated detection of Alzheimer disease using MRI images and deep neural networks- A review
JSS Academy of Higher Education and Research（JSS高等教育与研究学院）；University of Delhi（德里大学）
早期发现阿尔茨海默病对于部署干预措施和减缓疾病进展至关重要。在过去的十年中，人们探索了许多机器学习和深度学习算法，旨在建立阿尔茨海默病的自动检测。数据增强技术和先进的深度学习架构的进步开辟了该领域的新前沿，研究正在快速发展。因此，这项调查的目的是概述最近关于阿尔茨海默病诊断的深度学习模型的研究。除了对众多数据源、神经网络架构和常用评估指标进行分类外，我们还对实现和可重复性进行了分类。我们的目标是帮助感兴趣的研究人员跟上最新的发展，并复制早期的调查作为基准。此外，我们还指出了该课题未来的研究方向。
2022-09-22 cs.CV cs.LG eess.IV
Alzheimer's Disease Diagnosis via Deep Factorization Machine Models
Ludwig-Maximilians-Universität（路德维希-马克西米利安大学）；Indiana University School of Medicine（印第安纳大学医学院）
目前用于阿尔茨海默病诊断的最先进的深度神经网络（DNN）使用不同的生物标志物组合来对患者进行分类，但是不允许提取关于生物标志物的相互作用的知识。然而，为了提高我们对疾病的理解，从学习模型中提取这些知识至关重要。在本文中，我们提出了一种深度因子分解机模型，它结合了DNN学习复杂关系的能力和线性模型的可解释性。所提出的模型有三个部分：（i）处理稀疏分类数据的嵌入层，（ii）有效学习成对交互的因子分解机，以及（iii）隐式建模高阶交互的DNN。在我们对阿尔茨海默病神经影像学倡议数据的实验中，我们证明了我们提出的模型比竞争模型更准确地分类认知正常，轻度认知障碍和痴呆症患者。此外，我们表明，可以获得有关生物标志物之间的相互作用的有价值的知识。
2021-08-12 cs.CV cs.LG
A Discriminative Event Based Model for Alzheimer's Disease Progression Modeling
Erasmus MC（伊拉斯姆斯大学医学中心）；Delft University of Technology（代尔夫特理工大学）
用于数据驱动的疾病进展建模的基于事件的模型（EBM）估计疾病的生物标志物变得异常的顺序。这有助于理解疾病进展的动力学，并通过在疾病进展时间轴上对患者进行分期来促进早期诊断。现有的循证医学方法本质上都是生成性的。在这项工作中，我们提出了一种新的判别方法EBM，这被证明是更准确的，以及计算效率比现有的国家的最先进的EBM方法。该方法首先通过对异常的个体生物标志物的后验概率进行排序来估计每个受试者的事件的近似顺序。随后，在所有科目的中央排序估计通过拟合广义马洛模型，这些近似的主题特定的排序的基础上一种新的概率肯德尔的Tau距离。为了评估准确性，我们对模拟阿尔茨海默病进展的合成数据进行了广泛的实验。随后，将该方法应用于阿尔茨海默病神经影像学倡议（ADNI）数据，以估计数据集中的中心事件排序。实验基准的准确性的新模型在各种条件下，并将其与现有的最先进的EBM方法。结果表明，判别式循证医学可能是一种简单而优雅的疾病进展建模方法。
2017-02-21 cs.CV q-bio.QM
Image-Based Alzheimer's Disease Detection Using Pretrained Convolutional Neural Network Models
King Saud University（沙特国王大学）
本研究针对阿尔茨海默病早期准确检测的需求，提出基于预训练卷积神经网络模型的计算机辅助诊断系统，通过深度学习从神经成像生物标志物提取特征预测疾病类别，实验表明VGG16模型性能优于现有技术。
2025-02-09 cs.CV cs.LG eess.IV
Vision Transformers and Bi-LSTM for Alzheimer's Disease Diagnosis from 3D MRI
Louisiana State University Health Sciences Center at Shreveport（路易斯安那州立大学健康科学中心什里夫波特分校）；Erzurum Technical University（埃尔祖鲁姆技术大学）
本研究提出结合ViT和Bi-LSTM处理3D MRI图像以诊断阿尔茨海默病，利用ADNI数据验证，该方法在准确率等指标上表现优异。
2024-01-06 cs.CV cs.LG eess.IV
Abnormal Functional Brain Network Connectivity Associated with Alzheimer's Disease
The Chinese University of Hong Kong（香港中文大学）
本研究利用fMRI分析590名个体，发现AD患者脑网络功能连接普遍下降，有助于理解AD病理生理学并识别生物标志物。
2023-05-16 cs.CV q-bio.NC
Hybrid Topological and Deep Feature Fusion for Accurate MRI-Based Alzheimer's Disease Severity Classification
Department of Data Science and Mathematics（数据科学与数学系）
本文提出融合拓扑分析与深度学习的混合框架，用于高精度的MRI阿尔茨海默病严重程度分类。
2026-02-01 cs.CV cs.LG
Graph of brain structures grading for early detection of Alzheimer's disease
Univ. Bordeaux（波尔多大学）；CNRS（法国国家科学研究中心）；Bordeaux INP（波尔多国立高等物理、数学与信息技术学院）；Universitat Politècnia de València（瓦伦西亚理工大学）
阿尔茨海默病是最常见的痴呆症，导致不可逆的神经退行性过程。到目前为止，受试者在确诊时发现了晚期脑结构改变。因此，早期诊断这种痴呆症是至关重要的，尽管这是一项具有挑战性的任务。最近，许多研究提出了生物标志物来早期检测阿尔茨海默病。他们中的一些人提出了基于学科间相似性的方法，而其他方法则研究了使用学科内变异性的框架。在这项工作中，我们提出了一个新的框架结合这两种方法在一个有效的大脑结构分级图。随后，我们证明了所提出的方法相比，国家的最先进的方法的竞争力。
2018-07-06 cs.CV cs.LG stat.ML
Egocentric vision IT technologies for Alzheimer disease assessment and studies
CNRS（法国国家科学研究中心）；University of Bordeaux 1（波尔多第一大学）；INSERM（法国国家健康与医学研究院）
以自我为中心的视觉技术包括使用可穿戴相机传感器从他们自己的视觉角度捕捉人的动作。我们将这种新的范式应用于仪器活动监测，目的是为痴呆症患者的疾病影响的临床评价提供新的工具。在本文中，我们介绍了该技术的发展现状，并重点介绍了两个技术模块：自动位置估计和视觉显著性估计的内容解释。
2013-03-13 cs.CV cs.HC
Predicting Alzheimer's disease: a neuroimaging study with 3D convolutional neural networks
Imperial College London（帝国理工学院）；King’s College London（伦敦国王学院）
近年来，使用神经成像数据诊断阿尔茨海默病的模式识别方法已经成为广泛研究的主题。在本文中，我们使用深度学习方法，特别是稀疏自编码器和3D卷积神经网络，来构建一种算法，该算法可以基于大脑的MRI扫描来预测患者的疾病状态。我们报告使用ADNI数据集的实验，涉及2,265个历史扫描。我们证明了3D卷积神经网络优于文献中报道的其他几种分类器，并产生最先进的结果。
2015-02-09 cs.CV cs.LG stat.AP
Smart ROI Detection for Alzheimer's disease prediction using explainable AI
Shahid Beheshti University（沙希德·贝赫什提大学）
目的预测轻度认知功能障碍（MCI）向阿尔茨海默病（Alzheimer's disease）的进展是减少疾病进展的重要一步。因此，许多基于深度学习的方法已经被引入这项任务。在这些方法中，基于感兴趣区域的方法在准确性和复杂性方面处于较好的位置。在这些技术中，针对所有患者手动提取大脑的一些特定部分作为ROI。人工提取感兴趣区域是耗时的，其结果取决于人类的熟练程度和精度。方法为了克服这些局限性，我们提出了一种新的智能方法，用于使用Grad-Cam和3DCNN模型提取每个患者的ROI，基于可解释的AI自动检测ROI。在自动提取ROI之后，使用提取的基于ROI的3D CNN来预测阿尔茨海默病。结果我们在著名的ADNI数据集的176例MCI患者上实现了我们的方法，并与最先进的方法相比，获得了显着的结果。使用5倍交叉验证获得的准确度为98.6，AUC为1。我们还比较了基于ROI的方法和基于全脑的方法的结果。结果表明，性能得到了显著提高。结论实验结果表明，智能ROI提取算法能够自动提取出感兴趣区域，对阿尔茨海默病的预测具有良好的效果。该方法也可用于阿尔茨海默病的分类和诊断。
2023-03-18 cs.CV cs.LG eess.IV
Ricci flow-based brain surface covariance descriptors for diagnosing Alzheimer's disease
Ecole Polytechnique（巴黎综合理工学院）；CNRS（法国国家科学研究中心）；IP Paris（巴黎理工学院）；Inria（法国国家信息与自动化研究所）
本文首次提出利用Ricci能量优化从皮层表面提取协方差描述符，结合高斯径向基函数进行流形分类，在ADNI数据集约200个3D MRI模型上实现了高准确率的阿尔茨海默病诊断。
2024-03-18 cs.CV cs.LG eess.IV
Classification of Alzheimer's Disease Structural MRI Data by Deep Learning Convolutional Neural Networks
McMaster University（麦克马斯特大学）；Rotman Research Institute at Baycrest, University of Toronto（多伦多大学贝克莱斯特罗特曼研究所）；Ryerson University（瑞尔森大学）
近年来，机器学习技术特别是预测建模和模式识别技术在从药物输送系统到医学成像等生物医学领域的应用，已成为帮助研究人员深入理解整个问题和解决复杂医学问题的重要方法之一。深度学习是一种强大的机器学习算法，用于分类，同时提取低到高级别的特征。在本文中，我们使用卷积神经网络来分类阿尔茨海默氏症的大脑从正常健康的大脑。对这类医学数据进行分类的重要性在于潜在地开发预测模型或系统，以便从正常受试者中识别疾病类型或估计疾病的阶段。阿尔茨海默病等临床数据的分类一直具有挑战性，最有问题的部分一直是选择最具区分力的特征。利用卷积神经网络（CNN）和著名的LeNet-5架构，我们成功地对阿尔茨海默病患者和正常对照组的结构MRI数据进行了分类，其中测试数据对训练数据的准确率达到98.84%。该实验表明，由CNN提取的平移和尺度不变特征，然后进行深度学习分类，是在fMRI中区分临床数据和健康数据的最有效方法。这种方法还使我们能够扩展我们的方法来预测更复杂的系统。
2017-05-19 cs.AI cs.CV
Altered Topological Properties of Functional Brain Network Associated with Alzheimer's Disease
The Chinese University of Hong Kong（香港中文大学）
本研究利用图论分析对比了175名AD患者与415名对照的脑网络拓扑性质，发现AD组存在异常的网络整合与分离，有助于理解AD病理生理学并识别生物标志物。
2023-05-16 cs.CV q-bio.NC
Leveraging Swin Transformer for enhanced diagnosis of Alzheimer's disease using multi-shell diffusion MRI
ICTEAM Institute, UCLouvain（ICTEAM研究院，UCLouvain大学）；Institute of Neuroscience (IoNS), UCLouvain（神经科学研究所（IoNS），UCLouvain大学）
本研究利用Swin Transformer模型，通过多壳扩散MRI数据提升阿尔茨海默病诊断和淀粉样蛋白检测的准确率。
2025-07-14 cs.CV q-bio.NC q-bio.QM
Introducing an ensemble method for the early detection of Alzheimer's disease through the analysis of PET scan images
Amirkabir University of Technology (Tehran Polytechnic)（阿米尔卡比尔理工大学（德黑兰理工学院））
本文提出一种集成方法，结合VGG16、AlexNet和自定义CNN对ADNI的PET图像进行四分类，以早期识别阿尔茨海默病及进行性MCI，平均准确率达93.13%。
2024-04-01 cs.AI cs.CV cs.LG
Hippocampus segmentation in magnetic resonance images of Alzheimer's patients using Deep machine learning
Shahid Beheshti University of Medical Sciences（沙希德·贝赫什提医科大学）；Khazar University（哈扎尔大学）
背景：阿尔茨海默病是一种进行性神经退行性疾病，是老年痴呆的主要原因。海马在阿尔茨海默病的早期阶段容易发生变化。在阿尔茨海默病发病前利用磁共振成像（MRI）检测和观察海马的变化，有助于更快地采取预防和治疗措施。目的：本研究的目的是使用深度机器学习方法对阿尔茨海默病患者的磁共振（MR）图像中的海马进行分割。方法：提出一种基于U-Net结构的卷积神经网络，对真实的MRI数据进行海马分割。阿尔茨海默病神经影像学倡议（ADNI）数据集中的100例和35例患者的MR图像分别用于模型的训练和测试。通过度量相似性度量，将该方法的性能与人工分割进行了比较。结果：经过10次迭代后，达到了预期的分割效果。获得了训练集92.94和测试集92.93的Dice相似系数（DSC）= 92.3%，灵敏度= 96.5%，阳性预测值（PPV）= 90.4%，以及可接受的交点大于并集（IoU）值。结论：所提出的方法是有前途的，可以扩展到阿尔茨海默病的预后预测海马体积的变化在疾病的早期阶段。
2021-06-16 cs.CV cs.LG eess.IV
Modeling Alzheimer's Disease: From Memory Loss to Plaque & Tangles Formation
California High School（加利福尼亚高中）；Independence High School（独立高中）
研究采用 Hopfield 模型模拟阿尔茨海默病的突触退化与代谢功能障碍，揭示了记忆丧失与淀粉样斑块形成的双重机制，提供了理解神经退行性疾病的计算框架。
2024-10-10 cs.CV eess.IV q-bio.NC
Dynamic Functional Connectivity and Graph Convolution Network for Alzheimer's Disease Classification
阿尔茨海默病（AD）是痴呆症的最普遍形式。传统的诊断方法无法实现AD的高效、准确诊断。在本文中，我们介绍了一种新的方法，基于动态功能连接（dFC），可以有效地捕捉大脑中的变化。我们比较和组合四种不同类型的功能，包括低频波动幅度（ALFF），区域均匀性（ReHo），dFC和不同的大脑结构之间的邻接矩阵。我们使用图卷积网络（GCN）来解决非欧域的分类问题，它考虑了患者之间大脑结构的相似性。该方法的准确度和受试者工作特征曲线下的面积分别达到91.3%和98.4%。这一结果表明，我们提出的方法可以用于检测AD。
2020-06-24 cs.CV cs.LG eess.IV
Bayesian meta-learning for modeling Alzheimer's disease progression
Scientific Computing Center, Karlsruhe Institute of Technology, Germany（卡尔斯鲁厄理工学院科学计算中心，德国）；Alzheimer’s Disease Neuroimaging Initiative（阿尔茨海默病神经影像计划）
提出贝叶斯元学习方法，利用个体历史MRI体积和疾病轨迹预测疾病评分分布，无需重新训练即可动态预测，并减少长期预测的过度自信。
2026-06-01 cs.CV cs.LG stat.ML
Combining imaging and shape features for prediction tasks of Alzheimer's disease classification and brain age regression
Imperial College London（伦敦帝国学院）；Aswan Heart Centre（阿斯旺心脏中心）
本研究提出融合ResNet图像嵌入与定制图神经网络形状嵌入的模型，用于脑年龄预测和阿尔茨海默病分类，经公开数据集验证，两项任务性能均提升，分类任务增益显著。
2025-01-14 cs.CV cs.LG eess.IV
Colormap-Enhanced Vision Transformers for MRI-Based Multiclass (4-Class) Alzheimer's Disease Classification
Department of Data Science and Mathematics（数据科学与数学系）
本文提出PseudoColorViT-Alz，通过伪彩色增强与视觉变换器结合，实现基于MRI的多类阿尔茨海默病分类，准确率达99.79%
2025-12-18 cs.CV cs.LG eess.IV
A multi-stream convolutional neural network for classification of progressive MCI in Alzheimer's disease using structural MRI images
Universitat Oberta de Catalunya（加泰罗尼亚开放大学）；Amirkabir University of Technology（阿米尔卡比尔理工大学）
提出一种基于解剖标志点提取图像块的多流卷积神经网络，通过迁移学习弥补数据不足，实现了稳定型与进展型MCI的高效分类。
2022-03-03 cs.CV cs.LG eess.IV
A Prior Guided Adversarial Representation Learning and Hypergraph Perceptual Network for Predicting Abnormal Connections of Alzheimer's Disease
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；Shenzhen University（深圳大学）；Renmin University of China（中国人民大学）；Central South University（中南大学）
阿尔茨海默氏病的特征在于在其进行性退行性过程期间大脑的结构和功能连接的改变。现有的辅助诊断方法已经完成了分类任务，但很少有能够准确评估大脑连接变化特征的方法。在这项工作中，提出了一种先验引导的对抗性表示学习和超图感知网络（PGARL-HPN），用于使用三模态医学图像预测异常的大脑连接。具体地，估计来自解剖知识的先验分布以使用对抗策略来指导多模态表示学习。此外，进一步利用成对的协作的并行结构，以缩小表示分布的差异。此外，开发了超图感知网络，以有效地融合学习的表示，同时建立多模态图像内部和之间的高阶关系。实验结果表明，该模型优于其他相关方法在分析和预测阿尔茨海默病的进展。更重要的是，发现的异常连接与之前的神经科学发现部分一致。该模型可用于评估阿尔茨海默病不同阶段异常脑连接的特征，有助于认知疾病的研究和早期治疗。
2021-10-12 cs.AI cs.CV cs.LG
Evaluation of Alzheimer's Disease by Analysis of MR Images using Multilayer Perceptrons and Kohonen SOM Classifiers as an Alternative to the ADC Maps
Universidade Federal de Pernambuco（伯南布哥联邦大学）；Universidade de Pernambuco（伯南布哥大学）；North Carolina State University（北卡罗来纳州立大学）
阿尔茨海默病是痴呆症最常见的原因，但如果没有侵入性技术，很难准确诊断，特别是在疾病发作时。这项工作的方法图像分析和分类的合成多光谱图像组成的扩散加权磁共振（MR）脑图像的脑脊液面积的评价和测量阿尔茨海默病的进展。所有图像均采用临床1.5T MR成像系统采集。分类方法是基于多层感知器和Kohonen自组织映射分类器。我们假设感兴趣的类可以通过超二次曲面分离。因此，使用2次多项式网络对原始图像进行分类，生成地面真实图像。分类结果用于改进通常的表观扩散系数图分析。
2017-12-03 cs.AI cs.CV cs.NE
Input Agnostic Deep Learning for Alzheimer's Disease Classification Using Multimodal MRI Images
Institute of Smart Systems and Artificial Intelligence, Nazarbayev University（纳扎尔巴耶夫大学智能系统与人工智能研究所）
阿尔茨海默氏病（AD）是一种渐进性的大脑疾病，导致记忆和功能障碍。机器学习和公开可用的医学数据集的进步引发了AD诊断的多项研究。在这项工作中，我们利用多模态深度学习方法，根据OASIS-3数据集的结构MRI和弥散张量成像（DTI）扫描对正常认知、轻度认知障碍和AD类别进行分类。除了传统的多模态网络之外，我们还提出了一种输入不可知的架构，允许使用sMRI或DTI扫描进行诊断，这将我们的方法与以前的基于多模态机器学习的方法区分开来。结果表明，当结构MRI和DTI扫描作为输入时，输入不可知模型达到0.96的准确度。
2021-07-19 cs.CV cs.LG eess.IV
When Deep Learning Fails: Limitations of Recurrent Models on Stroke-Based Handwriting for Alzheimer's Disease Detection
University of Cassino and Southern Lazio（卡斯蒂洛大学和拉齐奥南部大学）
该研究通过34项笔迹任务数据集比较LSTM、GRU、RNN与传统机器学习模型在阿尔茨海默病检测中的表现，发现循环模型因处理离散笔画特征而非连续时间信号而失效，传统集成方法显著优于深度架构。
2025-08-18 cs.AI cs.CV eess.IV
Understanding 3D CNN Behavior for Alzheimer's Disease Diagnosis from Brain PET Scan
Georgia State University（佐治亚州立大学）
最近几天，卷积神经网络（CNN）在医学图像分析中表现出令人印象深刻的性能。然而，人们对卷积神经网络为什么以及如何在图像分析任务中表现如此出色缺乏清晰的理解。CNN如何分析图像并区分不同类别的样本通常被认为是不透明的。结果，在临床程序和自动疾病诊断系统中应用基于CNN的方法变得困难。在本文中，我们考虑这个问题，并致力于可视化和理解卷积神经网络用于阿尔茨海默病（AD）诊断的决策。我们使用大脑PET扫描开发了一个用于AD诊断的3D深度卷积神经网络，并提出使用五种可视化技术-灵敏度分析（反向传播），引导反向传播，闭塞，大脑区域闭塞和分层相关传播（LRP），通过突出显示PET数据中的相关区域来理解CNN的决策。
2019-12-26 cs.CV cs.LG eess.IV
ADiag: Graph Neural Network Based Diagnosis of Alzheimer's Disease
National Institute of Mental Health and Neurosciences (NIMHANS)（国家精神卫生与神经科学研究所（NIMHANS））
阿尔茨海默病（AD）是最普遍的神经退行性疾病，影响全世界超过5000万人。虽然它的进展无法阻止，但早期和准确的诊断测试可以大大改善患者的生活质量。目前，只有定性的测试手段，采用的形式得分的表现对电池的认知测试。这种方法的固有缺点是准确诊断的负担落在临床医生的能力上。像MRI扫描评估这样的定量方法充其量是不准确的，因为视觉上可观察到的大脑变化是难以捉摸的。在替代这些缺点，现有的AD诊断方法，我们已经开发了ADiag，一种新的定量方法来诊断AD通过GraphSAGE网络和密集微分池（DDP）分析的基础上，不同结构区域的皮层之间的厚度差异的大型图形。ADiag的初步测试显示，其准确率高达83%，大大优于其他定性和定量诊断技术。
2021-01-08 cs.CV cs.LG eess.IV
Learning Shape Features and Abstractions in 3D Convolutional Neural Networks for Detecting Alzheimer's Disease
Universität Rostock（罗斯托克大学）
深度神经网络-特别是卷积神经网络（ConvNet）已成为图像分类、模式识别和各种计算机视觉任务的最新技术。ConvNet在医疗领域具有巨大的潜力，可以有效地分析医疗数据以诊断疾病。基于ConvNet模型从MRI数据中提取的特征，早期诊断对于预防进展和治疗阿尔茨海默病至关重要。尽管有能力提供出色的性能，但模型决策的可解释性的缺乏可能导致误诊，这可能危及生命。在这篇论文中，学习的形状特征和抽象的3D ConvNets检测阿尔茨海默氏症进行了研究，使用各种可视化技术。还检查了网络结构、使用的过滤器大小和过滤器形状的变化如何影响模型的整体性能和学习特征。不同模型的LRP相关图揭示了大脑的哪些部分与分类决策更相关。通过激活最大化比较学习的过滤器，显示了模式如何在网络的不同层中编码。最后，实现了来自卷积自动编码器的迁移学习，以检查增加具有输入补丁的训练样本的数量以提取低级特征是否改善了学习的特征和模型性能。
2020-09-10 cs.CV cs.LG eess.IV
Detection of Alzheimers Disease from MRI using Convolutional Neural Networks, Exploring Transfer Learning And BellCNN
需要从医学图像自动诊断某些疾病，这可以帮助医疗从业者进一步评估治疗疾病。老年痴呆症是一种经常被误诊的疾病。阿尔茨海默病（以下简称AD）是由某些脑区萎缩和脑细胞死亡引起的，是痴呆和记忆丧失的主要原因[1]。MRI扫描揭示了这一信息，但萎缩区域对于不同的个体是不同的，这使得诊断更加棘手，并且经常被误诊[1，13]。我们相信，我们对这个特定问题的方法将通过预标记更可能具有AD的图像来提高评估质量。我们对此提出了两种解决方案;一种是迁移学习[9]，另一种是Bell CNN [14]，一种定制的卷积神经网络（Hear后称为CNN）。每种方法的优点和缺点也将在各自的章节中讨论。本项目使用的数据集由开放获取系列成像研究（以下简称OASIS）提供[2，3，4]，其中包含400多名受试者，其中100人患有轻度至重度痴呆症。该数据集通过两种诊断标准标记这些受试者; MiniMental State Examination（简称MMSE）和临床痴呆评级（简称CDR）。这些是我们解决方案的先决条件的一些通用工具和概念; CNN [5，6]，神经网络[10]（以下简称NN），Python的Anaconda bundle，回归，Tensorflow [7]。关键词：阿尔茨海默病，卷积神经网络，BellCNN，图像识别，机器学习，MRI，OASIS，Tensorflow
2019-01-29 cs.CV cs.LG eess.IV
