《基于增强 AlexNet 的深度学习的阿尔茨海默病的早期诊断》论文浅析

本篇论文是发表于2017年6月，使用深度学习的方法来对阿尔兹海默症进行诊断！主要的点在以下几个方面，当然了，这是对于我这个新手菜鸟的主要点，对于大佬可以无视的！（以下记录只是本人的学习笔记，粗糙之处多有担待）

1. MRI图像的张量表示

2. 数据集和预处理

3. AlexNet网络及其改进增强的网络模型

MRI图像的张量表示

张量是高维数据的表示形式，是矩阵的高维推广。标量可以看作是零阶张量，矢量是一阶张量，矩阵是二阶张量。张量是矩阵的推广，因此它也满足一些矩阵的性质。
Tucker 分解是张量分解的一种，它可以得到一个核心张量和一系列正交矩阵。 Tucker 分解的概念最初是在研究心理学时提出的，然后逐渐被应用在许多学科中间。Tucker 分解的优势在于减少像素之间的信息损失。在高维图像中，核心张量保证了原张量的重要信息不会丢失。Tucker 分解在数据挖掘、数据压缩中有很多成功应用。其函数可以表示为:

其中 ， w 是要被 Tucker 分解的张量， G 是核心张量，A1，A2，… ，An 是一系列正交矩阵。
MRI图像都是三维的，但是深度学习处理的图片都是二维的，这就要求我们对图像进行降维࿰