基于模糊残差LeNet的混合深度学习模型在阿尔茨海默病分割与分类中的创新研究

来自某研究团队的研究人员针对阿尔茨海默病（AD）早期诊断难题，开发了一种集成O-SegUNet分割与模糊Res-LeNet分类的混合深度学习模型。该研究通过双边滤波（BF）去噪、皮尔逊融合分割和SMOTE数据增强，实现了对AD多阶段（MCI/EMCI/LMCI/CN）的精准分类，最终模型准确率达93.887%，为AD智能诊断提供新方案。

　　

阿尔茨海默病（Alzheimer's Disease, AD）作为一种进行性神经退行性疾病，会导致行为异常、人格改变和记忆丧失。早期检测对患者和照护者的未来规划至关重要。为此，研究人员提出了一种创新的混合深度学习（Deep Learning, DL）方法，用于AD的医学图像分割与分类。

该方法首先从数据库获取磁共振成像（Magnetic Resonance Imaging, MRI）数据，通过双边滤波器（Bilateral Filter, BF）进行图像预处理以提升信噪比。随后采用新型O-SegUNet模型进行分割，该模型通过皮尔逊相关系数融合策略整合了O-SegNet与U-Net的架构优势。

为解决类别不平衡问题，研究采用合成少数类过采样技术（Synthetic Minority Oversampling Technique, SMOTE）进行数据增强。特征提取后，最终通过模糊Res-LeNet模型实现AD阶段分类，包括轻度认知障碍（Mild Cognitive Impairment, MCI）、AD本身、认知正常（Cognitive Normal, CN）、早期轻度认知障碍（Early Mild Cognitive Impairment, EMCI）和晚期轻度认知障碍（Late Mild Cognitive Impairment, LMCI）。

值得一提的是，模糊Res-LeNet创造性融合了模糊逻辑、ResNeXt和LeNet三大技术模块。实验表明，该模型取得93.887%的准确率、94.587%的灵敏度和94.008%的特异性，展现出卓越的AD智能诊断潜力。