基于U-Net与ResNet模型的脑MRI海马体精准分割及阿尔茨海默病早期预测研究

为解决阿尔茨海默病(AD)早期诊断难题，研究人员利用ADNI数据库214例脑MRI数据，开发了U-Net海马体分割与ResNet-101分类的两阶段深度学习系统。模型实现Dice系数0.886、IoU 0.795的精准分割，AD预测准确率达0.833，为临床早期干预提供了可靠AI工具。

　　

痴呆症尤其是阿尔茨海默病(AD)已成为老年群体失能的主要原因，在台湾地区约占痴呆病例的75%，其特征性表现为早期海马体萎缩和记忆衰退。这项研究创新性地构建了基于脑部磁共振成像(MRI)的双阶段深度学习系统：首先采用U-Net架构实现海马体的自动化分割，随后通过ResNet-101模型对分割图像进行AD分类预测。实验数据显示，海马体分割模型获得0.886的Dice相似系数和0.795的交并比(IoU)，AD预测模型则展现出0.833准确率、0.847精确度和0.863召回率的优异性能。该研究通过整合影像分割与深度学习分类技术，为AD早期诊断提供了高精度临床决策支持工具，对改善疾病管理和患者预后具有重要价值。