基于改进ResNet的阿尔兹海默症分类网络

针对阿尔兹海默症(AD)、轻度认知障碍(MCI)和正常人(CN)三阶段人群脑部核磁成像(MRI)难以识别分类的问题,提出了一种基于改进的ResNet的阿尔兹海默症的分类方法.该方法首先将预处理后的数据送入到根据AD的MRI特点设计的通道分离残差模块中,提取并组合低维特征与高维特征.然后,将提取的特征送入通道注意力模块,调整通道之间的权重,得到更加精确的分类特征.最后,将特征矩阵送入线性分类层输出分类结果.在随机划分的数据集上,AD/MCI/CN分类准确率达到了83.54个百分点,AD/CN准确率达到了95.27个百分点,MCI/CN准确率达到了85.07个百分点.证明本文方法对区分AD各个阶段的有效性;在以个体ID为主要划分依据的数据集上,实验结果与基础网络ResNet对比,AD/MCI/CN分类准确率提高了0.7个百分点,AD/CN准确率提高了10个百分点,MCI/CN准确率提高了4个百分点,证明本文对基础网络的改进能有效提高AD分类准确率.同时通过对比有无数据泄露的实验结果,证明正确划分数据集的必要性.