用于Alzheimer病诊断的结构MRI的对称性交互式Transformer与CNN框架
计算机视觉与模式识别
2025-09-11 v1
摘要
结构磁共振成像（sMRI）结合深度学习在阿尔弗雷德病（Alzheimer's Disease, AD）的预测和诊断方面取得了显著进展。现有研究使用CNN和Transformer构建高性能网络，但大多数基于预训练或忽略由脑病变引起的非对称性特征。我们提出了一个用于检测由左脑和右脑萎缩引起的疾病性非对称性诊断的端到端网络，由3D CNN编码器和对称性交互式Transformer（Symmetry Interactive Transformer, SIT）组成。遵循跨等网格块获取操作，随后将对应的左半球和右半球特征对齐并输入SIT进行诊断分析。SIT有助于模型更关注由结构变化引起的非对称区域，从而提高诊断性能。我们基于ADNI数据集评估了该方法，结果表明该方法在几项CNN方法以及CNN结合通用Transformer方法的诊断准确率（92.5%）方面表现更佳。可视化结果显示，我们的网络在脑萎缩区域，特别是AD引起的非对称病理特征区域，注意力更集中，显示了该方法的可解释性和有效性。
引用
@article{arxiv.2509.08243,
title = {Symmetry Interactive Transformer with CNN Framework for Diagnosis of Alzheimer's Disease Using Structural MRI},
author = {Zheng Yang and Yanteng Zhang and Xupeng Kou and Yang Liu and Chao Ren},
journal= {arXiv preprint arXiv:2509.08243},
year = {2025}
}