XDementNET：用于检测阿尔茨海默病病程的可解释注意力深度卷积网络
计算机视觉与模式识别
2025-05-21 v1 机器人学
摘要
阿尔茨海默病是一种常见的神经退行性疾病,需精准诊断和高效治疗,尤其在医疗费用攀升和人工智能在医学诊断中广泛应用的背景下尤为重要。许多近期研究表明,脑磁共振成像(MRI)与深度神经网络的结合为诊断AD取得了令人鼓舞的成果。本文采用深度卷积神经网络,引入 novel 深度学习架构,融合多残差模块、专用空间注意力模块、分组查询注意力和多头注意力。该研究在四个公开数据集上评估模型性能,聚焦于识别二分类和多分类问题。本文还考虑了AD病程的可解释性,并与梯度类激活映射(GradCAM)、Score-CAM、Faster Score-CAM和XGRADCAM等最先进方法进行比较。我们的 метод在Kaggle数据集上实现了4类分类的99.66%准确率、3类分类的99.63%准确率和二分类的100%准确率。对于Open Access Series of Imaging Studies(OASIS)数据集,准确率分别为99.92%、99.90%和99.95%。阿尔茨海默病神经影像计划-1(ADNI-1)数据集在三个平面(轴向、侧位和冠状)以及所有平面的组合上进行实验,准确率分别为99.08%、99.85%、99.5%和99.17%,ADNI-2的准确率分别为97.79%和8.60%。该网络通过卓越的准确率展示了其从MRI图像中检索重要信息并对AD阶段进行分类的能力。
引用
@article{arxiv.2505.13905,
title = {4D-ROLLS: 4D Radar Occupancy Learning via LiDAR Supervision},
author = {Ruihan Liu and Xiaoyi Wu and Xijun Chen and Liang Hu and Yunjiang Lou},
journal= {arXiv preprint arXiv:2505.13905},
year = {2025}
}