利用 Swin Transformer 增强阿尔茨海默病运动失能诊断：基于多壳层扩散 MRI 的应用
计算机视觉与模式识别
2026-01-08 v1 神经元与认知
定量方法
摘要
目的：本研究旨在利用基于视觉转换器的深度学习框架，运用多壳层扩散磁性成像（dMRI）数据中可获取的微观结构信息，支持阿尔茨海默病的早期诊断及淀粉样蛋白沉积的检测。方法：我们提出了一种分类流程，采用层次化视觉转换器模型Swin Transformer，对多壳层dMRI数据进行阿尔茨海默病和淀粉样蛋白存在情况的分类。提取DTI和NODDI的关键指标，并投影到2D平面，以实现ImageNet预训练模型的迁移学习。为高效适应有限标注神经影像数据，集成了低秩适应技术。我们在诊断组预测（认知正常、轻度认知障碍、阿尔茨海默病痴呆）和淀粉样蛋白状态分类方面评估了该框架。结果：该框架在多壳层dMRI特征的范围内实现了竞争性的分类结果，针对区分认知正常者和阿尔茨海默病痴呆患者的NODDI指标，最佳平衡准确率达95.2%；在淀粉样蛋白检测方面，区分淀粉样阳性轻度认知障碍/阿尔茨海默病痴呆患者和淀粉样阴性认知正常者的平衡准确率达77.2%，在识别淀粉样阳性认知正常者中的平衡准确率达67.9%。基于Grad-CAM的可解释性分析识别了包括半侧小岛和海马体在内的临床相关脑区作为模型预测的关键贡献者。结论：本研究表明，扩散MRI和基于转换器的架构对于早期检测阿尔茨海默病和淀粉样病理具有潜力，支持数据受限的生物医学环境中的生物标志物驱动诊断。
引用
@article{arxiv.2507.09996,
title = {Leveraging Swin Transformer for enhanced diagnosis of Alzheimer's disease using multi-shell diffusion MRI},
author = {Quentin Dessain and Nicolas Delinte and Bernard Hanseeuw and Laurence Dricot and Benoît Macq},
journal= {arXiv preprint arXiv:2507.09996},
year = {2026}
}