Diagnosing Alzheimer's disease at early stage required an effective classification mechanism to differentiate mild cognitive impairment from cognitive normal and AD. In this paper, we used data set collected from ADNI and OASIS. Instead of using the whole volume of the MRI, high informative slices are selected using entropy. The selected slices are pre-processed by removing unwanted tissues using skull stripping algorithm and extracted gray matter using EICA. In this work, we used CNN model with inception blocks to extract deep features from the GM slices used to predict AD at early stage. The model avoids data leakage by considering all the slices of an MRI as a unit. The model trained with 80% of ADNI subject MRI volumes and tested with the remaining 20% subject MRI volumes, to provide great variance in training and testing data, the model further tested with OASIS data sets. 10-fold cross-validation is used to test the model without biasing. The model performance is evaluated using accuracy. The model achieves 98.73%, 100%, 93.72%, and 95.6% of accuracy for differentiating CN-MCI, CN-AD, AD- MCI and CN-MCI and AD. At 10-fold cross-validation it gives 92.92 ± 3%, 98 ± 2%, 90 ± 4% and 94.9 ± 2% accuracy to differentiate CN-MCI, CN-AD, AD-MCI, and CN-MCI-AD using ADNI. We further tested the model with 135 MRI volumes selected from OASIS data set, we achieved 92%, 91.76%, 88.23%, 81.48% of accuracy with CN-AD, MCI-AD, CN-MCI, and three-way classification. The model gives good accuracy and sensitivity of early AD Diagnosis.

中文翻译：

---

基于深度学习的阿尔茨海默病早期诊断使用 T2w 分段灰质 MRI

早期诊断阿尔茨海默病需要有效的分类机制来区分轻度认知障碍与认知正常和 AD。在本文中，我们使用了从 ADNI 和 OASIS 收集的数据集。不是使用整个 MRI 体积，而是使用熵选择高信息切片。通过使用颅骨剥离算法去除不需要的组织并使用 EICA 提取灰质，对选定的切片进行预处理。在这项工作中，我们使用带有初始块的 CNN 模型从用于早期预测 AD 的 GM 切片中提取深度特征。该模型通过将 MRI 的所有切片视为一个单元来避免数据泄漏。该模型使用 80% 的 ADNI 受试者 MRI 体积进行训练，并使用其余 20% 的受试者 MRI 体积进行测试，以提供训练和测试数据的巨大差异，该模型进一步用 OASIS 数据集进行了测试。10 折交叉验证用于在无偏差的情况下测试模型。使用准确度评估模型性能。该模型实现了 98.73%、100%、93.72% 和 95.6% 的区分 CN-MCI、CN-AD、AD-MCI 和 CN-MCI 和 AD 的准确率。在 10 倍交叉验证下，它提供 92.92 ± 3%、98 ± 2%、90 ± 4% 和 94.9 ± 2% 的准确度，以区分 CN-MCI、CN-AD、AD-MCI 和 CN-MCI-AD 使用ADNI。我们进一步用从 OASIS 数据集中选取的 135 个 MRI 体积对模型进行了测试，我们使用 CN-AD、MCI-AD、CN-MCI 和三向分类实现了 92%、91.76%、88.23%、81.48% 的准确率。该模型提供了早期 AD 诊断的良好准确性和敏感性。该模型实现了 98.73%、100%、93.72% 和 95.6% 的区分 CN-MCI、CN-AD、AD-MCI 和 CN-MCI 和 AD 的准确率。在 10 倍交叉验证时，它提供 92.92 ± 3%、98 ± 2%、90 ± 4% 和 94.9 ± 2% 的准确度，以区分 CN-MCI、CN-AD、AD-MCI 和 CN-MCI-AD 使用ADNI。我们进一步用从 OASIS 数据集中选取的 135 个 MRI 体积对模型进行了测试，我们使用 CN-AD、MCI-AD、CN-MCI 和三向分类实现了 92%、91.76%、88.23%、81.48% 的准确率。该模型提供了早期 AD 诊断的良好准确性和敏感性。该模型实现了 98.73%、100%、93.72% 和 95.6% 的区分 CN-MCI、CN-AD、AD-MCI 和 CN-MCI 和 AD 的准确率。在 10 倍交叉验证时，它提供 92.92 ± 3%、98 ± 2%、90 ± 4% 和 94.9 ± 2% 的准确度，以区分 CN-MCI、CN-AD、AD-MCI 和 CN-MCI-AD 使用ADNI。我们进一步用从 OASIS 数据集中选取的 135 个 MRI 体积对模型进行了测试，我们使用 CN-AD、MCI-AD、CN-MCI 和三向分类实现了 92%、91.76%、88.23%、81.48% 的准确率。该模型提供了早期 AD 诊断的良好准确性和敏感性。我们进一步用从 OASIS 数据集中选取的 135 个 MRI 体积对模型进行了测试，我们使用 CN-AD、MCI-AD、CN-MCI 和三向分类实现了 92%、91.76%、88.23%、81.48% 的准确率。该模型提供了早期 AD 诊断的良好准确性和敏感性。我们进一步用从 OASIS 数据集中选择的 135 个 MRI 体积测试模型，我们使用 CN-AD、MCI-AD、CN-MCI 和三向分类实现了 92%、91.76%、88.23%、81.48% 的准确率。该模型提供了早期 AD 诊断的良好准确性和敏感性。