从智能选择的神经影像学数据中，使用浅层 2D 和 3D CNN 对阿尔茨海默病进行分期预测

快速阅读: 据《Nature.com》最新报道，研究利用深度学习从MRI扫描中检测阿尔茨海默病不同阶段，提出包含去颅骨、标准化等步骤的预处理管道，并采用2D和3D CNN模型提取特征，结果显示3D CNN准确率达96.5%，展示了AI在医疗诊断中的潜力。

阿尔茨海默病（AD）的检测对于成功诊断和治疗至关重要，涉及对轻度认知障碍（MCI）的常见筛查实践。然而，AD的进行性特点使其致病因素的识别具有挑战性。现代AD诊断流程使用认知测试、神经学检查和基于生物标志物的方法，例如脑脊液（CSF）分析和正电子发射断层扫描（PET）成像。虽然这些方法有效，但非侵入性成像技术如核磁共振成像（MRI）的重要性逐渐增加。深度学习（DL）方法在评估大脑结构变化方面侧重于将MRI与卷积神经网络（CNNs）结合在一起。在DL的空间架构中，这种结合因其在多种多层感知器模型中自动特征提取的有效性显著而引起了广泛的研究兴趣。

然而，MRI的噪声和多维特性需要一个智能的预处理管道以实现有效的疾病预测。我们的研究旨在通过使用二维（2D）和三维（3D）CNN模型从MRI扫描获得的多维神经影像数据中检测不同阶段的AD。所提出的预处理管道包括去颅骨、空间标准化和平滑处理。随后采用了一种新颖且高效的基于像素计数的帧选择和裁剪方法，显著降低维度。此外，应用了可学习的调整大小方法来提升图像质量并调整数据大小。

最后，提出的浅层2D和3D CNN模型从分割MRI数据中提取时空特征。此外，将两种CNN融合进行进一步对比分析。值得注意的是，2D CNN达到了93%的准确率，而3D CNN报告了96.5%的最高准确率。

这一研究为阿尔茨海默病的早期检测提供了新的可能性，同时展示了深度学习技术在医疗领域的巨大潜力。

(以上内容均由Ai生成)