基于3D MRI的阿尔茨海默病分类：采用泄漏感知的主观水平评估的多模态3D CNN
计算机视觉与模式识别
2026-03-19 v1
摘要
深度学习已成为从结构性MRI中进行阿尔茨海默病（AD）分类的重要工具。许多现有研究分析的是从MRI体积中提取的单个2D切片，而临床神经影像学实践通常依赖大脑的完整三维结构。从这一角度看，体积分析可能更好地捕捉与疾病进展相关的脑区的空间关系。为此，我们提出一种用于AD分类的多模态3D卷积神经网络，采用原始OASIS 1 MRI体积。该模型将结构T1信息与通过FSL FAST分段获得的脑组织概率图（包括灰质、白质和脑脊液）相结合，以捕捉互补的神经解剖信息。该方法在临床标记的OASIS 1队列上采用5折主观水平交叉验证进行评估，平均准确率为72.34%±4.66%，ROC AUC为0.7781±0.0365。GradCAM可视化进一步表明，该模型关注解剖上有意义的区域，包括中央叶区和窦室区，这些区域已知与阿尔茨海默病相关的结构变化相关联。为更好地理解数据表示和评估策略如何影响报告的性能，我们在两种协议下对基于切片的数据集进行了额外诊断实验。这些观察结果有助于为体积结果提供背景。总体而言，所提出的多模态3D框架建立了一个可复现的主观水平基准，凸显了体积MRI分析在阿尔茨海默病分类中的潜在优势。
引用
@article{arxiv.2603.17304,
title = {3D MRI-Based Alzheimer's Disease Classification Using Multi-Modal 3D CNN with Leakage-Aware Subject-Level Evaluation},
author = {Md Sifat and Sania Akter and Akif Islam and Md. Ekramul Hamid and Abu Saleh Musa Miah and Najmul Hassan and Md Abdur Rahim and Jungpil Shin},
journal= {arXiv preprint arXiv:2603.17304},
year = {2026}
}
备注
5 tables, 6 figures, Submitted to International Conference on Power, Electronics, Communications, Computing, and Intelligent Infrastructure 2026