一组统称为痴呆症的神经系统疾病表现为记忆、思维和决策等认知能力的下降,这对日常活动有显著影响(Hasan等人,2024年)。尽管痴呆症在老年人中越来越普遍,但它并不是衰老的典型特征(Zhang等人,2024年)。世界卫生组织(WHO)指出,每年新增痴呆症病例超过1000万例,全球有超过5500万人患有此病(Shastry等人,2024年;Yang等人,2024年)。最常见的痴呆症类型是AD,占所有病例的60-80%(Shankar等人,2025年)。AD最初表现为轻度记忆丧失,但随着病情发展,会导致严重的认知障碍、沟通困难和行为异常(Waldo-Benítez等人,2024年;Sasithradevi等人,2024年)。首先受到影响的是与学习和记忆相关的脑区,如内嗅皮层和海马体,随后病变逐渐扩散到大脑的其他部分,造成越来越严重的神经损伤(Thamizharasi和Lakshmi,2025年;Pallawi和Singh,2026年)。
根据更详细的分类,正常对照(NC)、轻度认知障碍晚期(LMCI)、轻度认知障碍(MCI)、早期轻度认知障碍(EMCI)和AD是疾病发展的五个阶段(Almansour等人,2025年;Sam等人,2026年)。由于脑成像数据中的解剖学差异较小,临床上很难区分这些中间阶段(Jraba等人,2024年)。传统的神经心理学评估和认知测试通常较为繁琐,并且结果可能受主观因素影响(Hu等人,2026年;Ali等人,2026年)。为了促进早期和准确的诊断,人们一直在研究利用机器学习和深度学习技术的自动化方法(Rao等人,2024年)。由于患者在MCI阶段仍能独立生活并受益于及时的干预措施,因此早期发现尤为重要(Basheera,Satya Sai Ram,2024年)。
近年来,利用神经影像数据(如MRI)开发AD诊断的机器学习和深度学习模型成为研究重点(Chaudhary等人,2024年)。在分类任务中,卷积神经网络(CNN)、混合模型和迁移学习技术取得了令人鼓舞的结果。许多研究人员使用了包括CNN-SVM、DEMNET和传统CNN模型在内的架构来检测AD(Sasikala,2024年;Hatami等人,2024年)。同样,由于预训练模型(如ResNet50、VGG16、AlexNet和InceptionNet)具有出色的特征提取能力,因此也被广泛使用(Gautam,Singh,2025年)。
尽管取得了这些进展,现有方法仍存在一些显著缺点。首先,二元或三类分类(例如NC vs. AD或NC vs. MCI vs. AD)无法充分捕捉AD的进行性特征,这是许多研究的主要关注点。由于脑部解剖结构的微小变化,EMCI和LMCI等中间阶段经常被误分类。其次,大多数深度学习模型使用非常深的架构,这增加了内存需求、训练时间和计算复杂性。因此,它们不太适合实时临床应用,而这些应用对可扩展性和效率要求很高。
另一个重要缺点是缺乏有效的特征表示。对于基于传统CNN的模型来说,MRI图像中的细粒度空间变化可能难以捕捉,尤其是在类别差异较小时。此外,许多方法在分类过程中使用冗余或信息量不足的特征,因为它们缺乏专门的特征选择或特征融合算法。这直接影响了模型的鲁棒性和泛化能力。此外,由于数据集较小和类别不平衡,许多模型会出现过拟合现象,尤其是在像ADNI这样的多阶段AD数据集中。
此外,当前大多数研究将分割和分类视为独立的问题。然而,如果受损脑区无法准确定位,分类模型可能不具备可解释性,这对治疗决策至关重要。虽然一些分割模型(如U-Net和Mask R-CNN)具有出色的定位能力,但它们也伴随着较高的计算成本和较长的推理时间。当前深度学习模型的性能还受到优化问题(如梯度消失、参数调整不当和对超参数的敏感性)的限制。
鉴于这些困难,需要一个更有效且可靠的框架,能够同时处理特征表示、计算效率和分类准确性。本文提出了一种使用MRI数据的多阶段AD分割和分类的混合深度学习模型。为克服现有技术的缺点,该方法结合了先进的特征提取、优化的分类和精确的分割。
根据深度学习的最新进展,结合多种架构并利用注意力机制可以显著提高医学成像应用中的性能。受此启发,本研究旨在提供一个能够可靠识别AD所有五个阶段的全面框架,包括EMCI和LMCI等中间阶段。利用ADNI和OASIS等大型数据集进一步帮助创建了一个可靠且可泛化的模型。
总体而言,这项研究通过提高分割的可解释性和分类准确性,推进了适用于实际临床应用的计算机辅助诊断系统的开发。
- •
提出了一种名为改进的Inception-ResNet-V2和改进的XceptionNet模型混合体的新模型,以帮助早期诊断和检测AD。
- •
为了提高图像质量和模型性能,预处理阶段包括使用改进的非局部均值(MNLM)滤波器去除噪声、通过改进的自适应对比度增强(IACE)算法增强对比度,以及使用传统技术进行数据增强,以增加训练数据集的多样性和鲁棒性。
- •
开发了并行卷积神经网络(PCNN)模型,以检索大脑中关键修改微结构的区分性空间特征。
- •
最后,使用改进的Inception-ResNetV2模型对多类AD阶段进行分类。
- •
为了准确分割AD中的受影响脑区,采用了改进的XceptionNet模型,利用其改进的架构精确勾勒病变组织。
- •
通过将所提出的深度学习模型的性能与基于预定评估指标(如F1分数、召回率、精确度、准确率、IOU、DSC、混淆矩阵和ROC曲线)的最先进技术进行对比,验证了模型的有效性。
虽然已经开发了许多用于AD诊断的深度学习模型,但大多数现有研究要么专注于分割,要么专注于分类,并且经常使用未经调整的传统架构。本研究提出的框架将分割、分类和改进的特征提取模型整合到一个流程中。这项工作的新颖之处在于,它结合了改进的Inception-ResNetV2模型与多尺度深度可分离卷积,以实现有效的多类分类;改进的XceptionNet结合Swish激活函数和加权损失以实现精确的病变定位;以及并行卷积神经网络以改进空间特征提取。这种组合使系统能够检测到小的局部异常以及全局结构模式,而这些通常是传统方法所遗漏的。所提出的架构通过同时优化这些元素来提高诊断准确性,同时保持计算效率,使其更适合实际临床应用。
本文内容如下:第2节讨论了关于深度学习方法在AD诊断中的应用的研究。第3节详细介绍了本研究使用的方法。第4节详细描述了所提出模型的实验和结果,以及该方法的优势和缺点。第5节总结了下一阶段研究的范围。