基于注意力门控VGG与深度学习特征的阿尔茨海默病分类方法研究

本研究针对阿尔茨海默病（AD）早期检测的临床需求，提出了一种融合注意力门控机制与VGG架构的深度学习模型。通过鲸鱼优化算法（WOA）优化的ResNet特征提取与数据增强技术，实现了96.7%的准确率，为AD的智能诊断提供了新范式。

　　

阿尔茨海默病（Alzheimer's disease, AD）作为一种神经退行性疾病，常导致人类认知功能障碍与痴呆。为实现早期检测，研究人员开发了集成注意力门控机制的VGG深度学习模型。研究首先对医学图像进行预处理（包括尺寸调整和中值滤波），随后采用数据增强技术扩充样本。通过鲸鱼优化算法（Whale Optimization Algorithm, WOA）优化的ResNet架构提取深度特征，并结合卷积神经网络（CNN）特征训练分类模型。实验结果表明，该方法的准确率达96.7%，敏感性97.8%，特异性96.3%，显著优于传统方法，证明其在AD分类领域具有重要应用价值。