基于深度CNN ResNet-18的带注意力机制和迁移学习的阿尔茨海默病检测模型

简介：由于生活方式的变化，发达国家与年龄相关的脑部问题的发生率有所上升。阿尔茨海默病通过损害记忆细胞，导致认知能力迅速且不可逆转的下降。方法：提出了一种基于ResNet-18的系统，集成了深度卷积和一个挤压与激励（SE）模块，以最小化调参。这一设计基于对现有深度学习架构和特征提取技术的分析。此外，创建了带和不带SE模块的预训练ResNet-18模型，以比较不同超参数下的ROC和准确度值。结果：所提模型在阿尔茨海默病（AD）上实现了95%的ROC值，在认知正常（CN）上为95%，在轻度认知障碍（MCI）上为93%，最大测试准确度为88.51%。然而，带SE的预训练模型具有93.26%的准确度和98%、99%以及98%的ROC值，而不带SE的模型的ROC值为94%、97%和94%，准确度为92.41%。讨论：收集医学数据可能成本高昂并引发伦理问题。小型数据集在成本函数中也容易出现局部极小值问题。经过广泛调优的初始模型可能会出现过拟合或欠拟合。类别不平衡也会降低性能。迁移学习在小型不平衡数据集上最为有效，而带SE模块的预训练模型表现优于其他模型。所提出的模型引入了一种减少训练参数的方法，旨在防止因医学数据不平衡而导致的过拟合。总体性能结果表明，所建议的方法优于最先进的技术。