基于迁移学习的静息态功能磁共振成像在阿尔茨海默病分类中的探索与应用

　　本文系统探讨了利用迁移学习（TL）技术对静息态功能磁共振成像（rs-fMRI）数据进行阿尔茨海默病（AD）分类的方法。研究通过预训练的VGG19、AlexNet和ResNet50模型，实现了高精度分类（最高达98.71%），并借助Grad-CAM可视化增强模型可解释性，为AD的早期诊断提供了有效的计算机辅助诊断（CAD）新策略。

　　

Highlight

本研究通过迁移学习技术，利用预训练深度学习模型对阿尔茨海默病（AD）与正常对照组（NC）进行高精度分类，并结合Grad-CAM可视化技术提升模型的可解释性，为AD的早期诊断提供了新思路。

Literature review

2017年以来，卷积神经网络（CNN）与深度学习（DL）在AD检测中发挥关键作用。迁移学习（TL）通过预训练模型（如AlexNet、VGG16、ResNet）显著提升了AD分类性能，利用已有参数优化输入与目标数据的匹配度。此外，DL尤其是TL技术已成功应用于医学影像分析领域。

Methodology

本研究采用三种预训练网络（VGG-19、ResNet50、AlexNet）对来自ADNI数据库的rs-fMRI数据进行AD与NC分类。研究流程包括数据获取、预处理、基于DL的分类、模型训练与评估。首先进行数据获取与预处理，随后详细介绍所提出的模型架构。

Result

通过对多种预训练网络的性能进行系统评估，本研究构建了用于脑图像分类的深度神经网络。重点测试了AlexNet、ResNet50与VGG19在预处理后的fMRI图像上的分类表现。研究结果表明，精确的特征学习与预处理对AD的准确识别至关重要。

Discussion

针对有限二维rs-fMRI数据下的AD分类挑战，本研究通过冻结特征提取层并重构分类器，对AlexNet、VGG19和ResNet50进行定制化改进。其中ResNet50通过微调最终卷积块并扩展全连接残差块进一步优化。如表14所示，AlexNet在准确率、精确度、召回率和F1分数上均优于其他模型。此外，Grad-CAM可视化显示ResNet50能生成更具解剖学聚焦性和临床意义的注意力图谱。

Conclusion

AD作为一种慢性神经系统疾病，对老年人群体造成严重负担。准确区分AD患者与正常对照（NC）对深入理解疾病机制及改善临床评估具有重要意义。然而，神经影像数据的复杂性为分类工作带来挑战。传统诊断方法存在主观差异性，而自动化策略有望提升诊断准确性与可靠性。