基于视觉Transformer与门控循环单元的3D自适应残差密集网络在阿尔茨海默病早期MRI诊断中的创新应用

本研究提出融合Vision Transformer（ViT）与门控循环单元（GRU）的3D自适应残差密集网络（VARD-GRU），采用新型海象优化算法（FWOA）优化参数，实现了94.11%的阿尔茨海默病（AD）早期检测准确率，为脑部磁共振成像（MRI）的计算机辅助诊断（CAD）提供了高精度解决方案。

　　

^章节概要

^相关研究

Faisal & Kwon（2022）开发了一种从结构磁共振成像（MRI）中提取阿尔茨海默病（AD）关键生物标志物的高效系统。该方法在与传统AD分类方法的对比中，在准确率等广泛使用的评估指标上表现出卓越性能，证明了其卷积方法在AD检测中的适用性。

Chabib等人（2023b）提出了一种结合曲线波变换（Curvelet Transform, CT）的卷积神经网络（CNN）模型，用于提升早期AD检测的灵敏度与特异性。

^{方案结构解析}

本研究提出了一种基于自适应深度网络的创新AD检测方案，以满足早期精准诊断的需求，为患者提供客观诊断和个性化治疗。方案首先从标准化来源采集脑部MRI图像，随后将图像输入VARD-GRU网络进行AD检测，并采用优化策略增强性能。网络通过视觉Transformer（ViT）和DenseNet的扁平化层提取特征，并进行特征融合与优化处理。

^{基础视觉Transformer}

视觉Transformer（ViT）在目标检测、特征提取和图像分割等应用中表现优异。本研究利用ViT进行特征提取，其自注意力机制能够同时关注输入的所有部分并理解其间关系，从而卓越地捕获全局特征。这对于需要理解图像整体上下文的任务至关重要。

^{传统海象优化算法（WOA）}

WOA（Trojovsky等人，2022）的灵感来源于北极地区海象的协作捕食行为，旨在解决复杂优化问题。该算法属于群体优化技术，以其简单性和有效性受到认可。WOA模拟海象群体搜寻食物的行为，通过协作搜索机制寻找最优解。

^仿真设置

所提方案使用Python框架实施。Python是开源软件，非常适合深度结构应用的评估。本次迭代采用的群体总数为10，染色体长度为4。设置的最大重复值为50。为检验所开发AD检测方案的效能，在多种验证指标上将其与现有AD识别框架进行了比较。

^结论

本研究构建并实现了一种基于深度自适应网络的独特AD检测模型，用于在早期阶段识别患者的AD症状。方案首先从多个在线数据库获取MRI图像，随后将图像输入VARD-GRU网络以检测AD。网络利用视觉Transformer和DenseNet的扁平化层分离关键特征，并进行特征融合与GRU层处理，最终通过全连接层实现高精度分类。