10、基于卷积神经网络和视觉变换器集成框架的阿尔茨海默病稳健诊断

基于卷积神经网络和视觉变换器集成框架的阿尔茨海默病稳健诊断

1. 引言

大脑是人体最复杂的器官，负责处理、整合和协调来自各种感官的信息，其正常运作对日常生活至关重要。然而，像阿尔茨海默病（AD）、精神分裂症、帕金森病等疾病会损害大脑功能。在发达国家，65岁以上人群中有5%受AD影响，85岁以上人群中这一比例高达30%，预计到2050年，将有6.4亿人受此疾病困扰。

AD主要影响大脑负责记忆的部分，导致脑细胞恶化，患者早期会出现记忆力减退，随着病情发展，会失去对周围环境的反应能力，甚至出现攻击行为或离家走失，晚期会因影响呼吸和心脏功能而导致死亡。因此，及时筛查和早期诊断AD至关重要，不仅能避免不必要的药物治疗及其副作用，还能为患者提供更好的治疗方案。

目前，AD的临床诊断需要专业医生，且由于涉及众多控制参数，容易出现观察者内部或之间的误差，同时成像设备昂贵且笨重，临床检查过程繁琐。因此，利用计算机辅助检测（CAD）技术进行AD诊断十分必要。随着技术的发展，机器学习（ML）和深度学习（DL）逐渐被用于从大脑成像数据中提取相关特征。本研究旨在利用深度学习技术提高AD分类的效果，主要目标如下：
- 研究EfficientNet - B0和视觉变换器（ViT）在从MRI图像中对AD阶段进行分类的性能。
- 说明KNN、softmax、Bi - LSTM和SVM等分类器在AD分类任务中的有效性。
- 探索小波变换和主成分分析（PCA）等特征选择技术的有效性。
- 提出一种基于堆叠技术的新型集成模型，以提高整体性能。

2. 相关工作

深度卷积神经网络（CNN）能够以分层的方式学习有效属性，是图像分类任务的理想选