基于混合拓扑和深度特征融合的准确MRI阿尔茨海默病分期分类
计算机视觉与模式识别
2026-02-03 v1 机器学习
摘要
早期和准确诊断阿尔茨海默病(AD)仍是神经影像基础临床决策支持系统中的关键挑战。本文提出一种新型混合深度学习框架，将拓扑数据分析(TDA)与DenseNet121主干网络集成，用于使用来自OASIS数据集的结构MRI数据进行四类阿尔茨海默病分类。TDA用于捕获常规神经网络常常忽略的脑结构的互补拓扑特征，而DenseNet121高效地从MRI切片中学习层次空间特征。将提取的深层和拓扑特征融合，以增强四个AD阶段之间的类别可分离性。在OASIS-1 Kaggle MRI数据集上进行的广泛实验表明，所提出的TDA+DenseNet121模型显著优于现有的领先方法。该模型实现了99.93%的准确率和100%的AUC，超越了最近发表的基于CNN的、迁移学习的、集成的和多尺度架构。这些结果确认了将拓扑洞察纳入深度学习管道的有效性，并突显了所提出框架作为自动化阿尔茨海默病诊断工具的潜力。
关键词
引用
@article{arxiv.2602.00956,
title = {Hybrid Topological and Deep Feature Fusion for Accurate MRI-Based Alzheimer's Disease Severity Classification},
author = {Faisal Ahmed},
journal= {arXiv preprint arXiv:2602.00956},
year = {2026}
}
备注
20 pages, 6 Figures