换一批基于CBAM增强与多尺度特征融合的AD MRI图像分类方法
AD MRI image classification method based on CBAM enhancement and multi-scale feature fusion
摘要为解决现有基于深度学习的阿尔茨海默病(Alzheimer's Disease,AD)高分辨率磁共振成像(Magnetic Resonance Imaging,MRI)图像分类方法中全局特征建模不足、多尺度病理信息利用不充分及类别不平衡问题,提出融合卷积块注意力模块与多尺度过渡层的改进密集连接网络(DenseNet)模型.具体方法为:在DenseNet121架构下,于各密集块末端集成卷积块注意力模块(Convolutional Block Attention Module,CBAM)以聚焦关键脑区病理变化,设计多尺度Transition层优化下采样时多尺度病理信息融合与保全,采用焦点损失函数缓解类别不平衡.OASIS-1数据集实验显示,该模型分类准确率90.91％、F1值92.12％、召回率94.00％,显著优于MobileNetV2、VGG16及传统DenseNet模型.其能提升AD分期诊断精度,尤其在降低痴呆漏诊率、识别轻度痴呆(黄金干预窗口)上表现突出,可为临床早期干预提供支撑,具备临床转化潜力.
更多相关知识
关键词
阿尔茨海默病磁共振成像图像分类多尺度特征融合密集连接网络深度学习卷积块注意力模块Alzheimer's diseaseMRI image classificationmulti-scale feature fusionDenseNetdeep learningconvolutional block attention module
栏目名称
DOI
10.13682/j.issn.2095-6533.2026.02.011
发布时间
2026-04-09（万方平台首次上网日期，不代表论文的发表时间）
基金项目
秦皇岛市科技计划项目（202401A065）
- 浏览2
- 被引0
- 下载1
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
