近日，由课题组孙号然等同学开展AD的智能诊断的实验取得进展，其成果“Alzheimer's Disease Classification Algorithm Based on Fusion of Channel Attention and Densely Connected Networks”一文发表在Journal of Intelligent & Fuzzy Systems.

轻度认知障碍（MCI）是一种发生在阿尔茨海默病（AD）临床前阶段的综合征，也是AD发病的早期信号。 早期发现并准确区分MCI和AD人群，并为其提供有效的干预和治疗，对于预防或延缓阿尔茨海默病的发病具有重要意义。 在本文中，我们提出了一种深度学习模型SE-DenseNet，该模型结合了通道注意力和密集连接网络，并将其应用于磁共振成像（MRI）图像识别领域，以诊断AD和MCI。 首先，为了高质量地提取MRI特征，本文提出一种基于二维图像信息熵的切片算法，以获得具有更强表示能力的AD脑部病变特征。 其次，在模型结构上，我们引入SENet作为通道注意力模块，并在通道维度上重新分配图像特征的权重； 在主架构上使用DenseNet来最大化信息流，并且每一层都与后续层直接互连。 它使网络能够从输入数据中学习并提取相关特征，提高网络的分类能力。 最后，我们提出的模型在 ADNI 数据集上进行了验证，AD-NC、AD-MCI、NC-MCI 和 AD-NC-MCI 四个分类任务的准确率分别为 98.12%、97.42%、97.42% 和 分别为 95.24%。 同时，敏感性和特异性也取得了良好的结果。 所有三个指标都优于基线模型，证明了所提出模型的有效性。