SNeurodCNN：用于阿尔茨海默病建模与分类的结构聚焦神经退行卷积神经网络

阿尔茨海默病 (AD) 是痴呆症的主要形式，正成为日益严峻的全球性挑战，凸显了对准确和早期诊断的迫切需求。当前的临床诊断依赖于放射科专家的解读，这容易引入人为错误。深度学习迄今已在早期 AD 诊断方面展现出潜力。然而，现有方法常常忽略了对增强理解大脑皮层神经退行至关重要的局灶性结构萎缩。本文提出一个深度学习框架，包括一种名为 SNeurodCNN 的新型结构聚焦神经退行 CNN 架构，以及一个使用伽马校正的图像亮度增强预处理器。SNeurodCNN 架构以通过磁共振成像 (MRI) 捕获的脑结构分割所产生的局灶性结构萎缩特征作为输入。因此，该架构仅考虑必要的 CNN 组件——包括两个下采样卷积块和两个全连接层——来完成所需的分类任务，并利用正则化技术来正则化可学习参数。利用来自阿尔茨海默病神经影像学倡议 (ADNI) 数据集的正中矢状面和旁矢状面脑图像视角，我们的框架展示了卓越的性能。旁矢状面视角实现了 97.8% 的准确率、97.0% 的特异性和 98.5% 的灵敏度，而正中矢状面视角则提供了更深入的洞察，准确率为 98.1%、特异性为 97.2%、灵敏度为 99.0%。模型分析揭示了 SNeurodCNN 能够捕获额叶、枕叶、小脑、颞叶和顶叶中轻度认知障碍 (MCI) 和 AD 的结构动态，表明其作为早期 AD 诊断的脑结构变化数字生物标志物的潜力。这项工作可使用我们在 GitHub 上公开的代码进行复现。