动态多尺度聚焦学习网络(DMFLN)：基于灰质MRI的阿尔茨海默病智能诊断新方法

本文推荐一种创新的动态多尺度特征学习网络(DMFLN)，通过金字塔池化多头自注意力机制(Pyramid Pooling Multi-head Self-attention)和残差小波变换(Res-Wavelet)分别捕获灰质MRI的全局拓扑特征与局部形态细节，并采用动态阈值选择机制实现多尺度特征自适应融合。在ADNI数据集上实现AD vs NC分类准确率96.32%±0.51%，显著优于现有方法，为阿尔茨海默病(AD)的早期诊断提供新思路。

　　

亮点

• 提出金字塔池化多头自注意力机制，学习高级全局特征并建立长程依赖关系，增强灰质MRI图像的多尺度特征表征能力

• 设计残差小波变换块(Res-Wavelet block)，精准捕捉灰质图像的局部特征，客观评估患者脑区形态学差异

• 基于灰质MRI结构信息，开发动态多尺度聚焦学习框架，平衡全局拓扑特征与局部细节的融合

材料与数据预处理

本研究数据来自阿尔茨海默病神经影像计划(ADNI)数据库，共纳入636名受试者的T1加权MRI扫描，包括阿尔茨海默病(AD)、轻度认知障碍(MCI)和认知正常(CN)三组人群。所有图像经过严格的预处理流程：采用统计参数映射(SPM12)工具进行灰质分割，通过基于深度学习的配准方法将图像标准化至MNI空间，最终生成121×145×121体素的标准灰质密度图。

讨论

消融实验证实各模块的协同作用：单独使用残差小波变换("Local")时AD/NC分类准确率为92.14%，单独采用金字塔自注意力("Global")达93.67%，而直接特征融合("Global+Local")仅提升至94.25%。本文提出的动态阈值选择机制("Ours")最终将性能提升至96.32%，证明多尺度特征的自适应融合对AD分类具有关键作用。

结论

DMFLN框架通过金字塔自注意力机制、残差小波变换和动态阈值选择的三元协同，有效解决了AD分类中的多尺度信息失衡问题。在ADNI数据集上的实验表明，该方法在AD/NC、AD/MCI和NC/MCI三类任务中均显著优于现有技术，为基于神经影像的AD早期诊断提供了创新性解决方案。