SC-DEMNET：一种用于从脑部MRI图像中检测阿尔茨海默病的集成DEMNET框架（包含跳过连接功能的算法）

《NATIONAL ACADEMY SCIENCE LETTERS-INDIA》：SC-DEMNET: Skip Connections Integrated DEMNET Framework for Alzheimer’s Disease Detection from Brain MRI Images

阿尔茨海默病（AD）的MRI图像分类模型研究，提出融合跳跃连接的DEMNET模型，通过ADNI和Kaggle数据集（各四类共6400平衡样本）实现非痴呆、轻度、中度及重度AD的自动分类，有效缓解梯度消失问题并提升局部与全局特征捕捉能力。

　　

摘要

阿尔茨海默病（AD）是一种进行性的神经退行性疾病，其特征是认知能力下降和记忆力减退。早期和准确地检测阿尔茨海默病对于有效的治疗和干预至关重要。本文提出了一种利用脑磁共振成像（MRI）图像和深度学习模型来检测阿尔茨海默病的新方法，该模型通过将跳跃连接（skip connections）与DEMentia NETwork（DEMNET）模型相结合构建而成。所提出的模型利用深度神经网络的能力，自动从脑MRI图像中学习具有区分性的特征，并将其分为4个类别：非痴呆、轻度痴呆、极轻度痴呆和中度痴呆。在网络架构中引入跳跃连接（SC）以促进信息的高效流动，并解决梯度消失问题，从而提高模型捕捉局部和全局图像特征的能力。该模型在包含4个类别的ADNI数据集和Kaggle数据集上进行了训练，每个类别的数据量均为3200张图像。