换一批基于3D体素残差网络的阿尔兹海默症患者脑部MRI图像多模态分类研究
Multimodal Classification of Brain MRI Images in Alzheimer's Disease Patients Using 3D VoxResNet
摘要目的 探讨利用深度学习的识别分类方法来解决传统阿尔兹海默症检测与评估手段所存在的繁琐、耗时等问题,以提高诊断和预测的速度与准确度.方法 从ADNI获取核磁共振成像图像数据.预处理阶段,利用MIPAV医学图像处理软件和3D Slicer对MRI图像进行AC-PC校准、空间标准化、颅骨剥离、偏置校正.预处理后的数据转化为5D张量,并输入至Pytorch环境中的体素残差网络(VoxResNet)模型进行训练.训练过程中,采用L2正则化、带动量的SGD优化器和交叉熵损失函数对模型进行优化.模型性能通过分析训练集损失、验证集损失和验证集准确率的变化曲线进行评估.结果 二分类任务中,模型表现出色,验证集准确率90.18％,ROC-AUC值为0.882,表明其对阿尔茨海默症患者和正常认知者的区分能力强.三分类任务中,模型验证集准确率较低,出现欠拟合现象.结论 基于3D VoxResNet的脑部MRI识别方法,可为AD早期诊断和治疗提供一定的参考价值.
更多相关知识
关键词
阿尔兹海默症深度学习核磁共振成像VoxResNet模型Alzheimer's diseaseDeep learningMagnetic resonance imagingVoxResNet model
分类号
TH77R445.2（诊断学）
栏目名称
DOI
10.11876/mimt202502012
发布时间
2025-08-13（万方平台首次上网日期，不代表论文的发表时间）
基金项目
中山市社会公益与基础研究项目（2024B1062）
广东省医学会医学工程学分会青年委员会面上项目（2025-GDMAMS-02）
- 浏览4
- 被引1
- 下载4
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
