基于Res-InceptionSeg混合深度学习网络的阿尔茨海默病检测新方法

《Current Alzheimer Research》：RESIGN: Alzheimer's Disease Detection Using Hybrid Deep Learning based Res-Inception Seg Network

本研究针对阿尔茨海默病（AD）早期诊断难题，提出了一种结合ResNet-LSTM特征提取与Inception V3分类的RESIGN混合深度学习模型。该模型通过NLM滤波去噪，利用Res-InceptionSeg网络实现了99.46%的检测准确率，为临床早期诊断提供了可靠工具。

　　

阿尔茨海默病（Alzheimer's Disease, AD）作为主要致死病因之一，其早期检测对提升患者生存率至关重要。由于大脑结构的复杂性，传统人工诊断方法难以实现早期识别，这使得依赖可靠的深度学习（Deep Learning, DL）技术成为必然选择。

研究人员开发了一种新颖的RESIGN模型，该模型融合了Res-InceptionSeg架构，专门用于基于磁共振成像（Magnetic Resonance Imaging, MRI）的AD检测。在方法上，输入MRI图像首先采用非局部均值（Non-Local Means, NLM）滤波器进行预处理，以降低噪声干扰。特征提取阶段则运用ResNet-LSTM模型，重点聚焦白质（White Matter, WM）、灰质（Grey Matter, GM）和脑脊液（Cerebrospinal Fluid, CSF）的特征捕捉。提取的特征经过拼接后，由基于Inception V₃的分类器进行分类，最终将受试者划分为正常（Normal）、轻度认知障碍（Mild Cognitive Impairment, MCI）和AD三类。此外，研究还采用SegNet网络对异常脑区进行分割。

实验结果显示，RESIGN模型表现卓越，准确率高达99.46%，特异性为98.68%，精确度达95.63%，召回率为97.10%，F₁分数为95.42%。与ResNet、AlexNet、DenseNet及LSTM等现有模型相比，其准确率分别提升了7.87%、5.65%、3.92%和1.53%；相较于ResNet18、CLSTM、VGG19和CNN模型，准确率进一步提高了25.69%、5.29%、2.03%和1.71%。

讨论部分指出，RESIGN模型通过整合时空特征提取、混合分类与深度分割技术，在AD检测中展现出高度可靠性。五折交叉验证证实了其稳健性，且在ADNI数据集上的性能超越已有模型。当然，该研究也可能存在数据集偏差以及因成像条件统一而导致的泛化能力受限等潜在局限性。

综上所述，RESIGN模型通过强大的特征提取与分类能力，显著提升了早期AD检测水平，为临床诊断提供了值得信赖的辅助工具。