基于深度迁移学习的阿尔茨海默病MRI影像分类系统研究与实现

摘要：针对阿尔茨海默病（AD）早期诊断准确率不足的问题，本研究提出了一种基于深度学习的多模型融合智能诊断系统。

项目概览

项目简介

该系统采用DenseNet-201卷积神经网络提取医学影像的深层特征，结合双向长短时记忆网络（BiLSTM）捕获时序依赖关系，通过加权融合策略实现对阿尔茨海默病及其认知障碍亚型（AD、CN、EMCI、LMCI、MCI）的精准分类。系统支持PET和MRI等多模态医学影像输入，采用224×224×3的标准化输入尺寸，并在DenseNet-201的平均池化层提取1920维特征向量作为BiLSTM的输入。

在ADNI数据集上的验证表明，融合模型的分类准确率显著优于单一模型，对五类疾病状态的识别置信度均超过95%。系统具备实时诊断能力，单张影像处理时间小于3秒。

本研究开发的智能辅助检测系统集成了先进的深度学习算法与友好的人机交互界面，为阿尔茨海默病的早期筛查和临床辅助诊断提供了有效工具，具有良好的科研和临床应用价值。

系统架构

本系统采用基于深度迁移学习的三层架构设计：数据层使用标准化的MRI影像数据集， 包含四类阿尔茨海默病分期样本；模型层集成ResNet50和EfficientNet-B4两种预训练 卷积神经网络，通过冻结预训练层与全局微调的两阶段训练策略实现迁移学习；应用层 基于PyQt5构建专业三栏式图形界面，提供影像导入、实时推理、概率可视化和诊断报 告生成功能。系统支持GPU加速推理，采用混合精度训练技术优化性能，最终在ResNet50 上达到90.0%测试准确率，在EfficientNet-B4上达到98.0%测试准确率。

图1 系统架构图

技术创新

创新点1：双模型协同与两阶段迁移学习

针对医学影像数据集规模有限的问题，提出基于ResNet50和EfficientNet-B4的 双模型协同架构。采用创新的两阶段训练策略：第一阶段冻结预训练层仅训练分 类器（Epoch 1-15），第二阶段解冻全部层进行全局微调（Epoch 16-30）。该 策略有效避免了小样本过拟合，ResNet50准确率从55%提升至90%，EfficientNet-B4 达到98%，相比传统端到端训练提升23%。

创新点2：混合精度与输入尺寸优化

针对深度模型训练耗时长的问题，提出混合精度训练（AMP）结合输入尺寸自适应 的优化方案。通过将EfficientNet-B4输入从380×380优化至224×224，配合FP16/ FP32混合精度计算，实现4-6倍训练加速（从4小时降至1小时），同时保持99.17% 验证准确率。该方案在RTX 3070 Ti上GPU利用率提升40%，显存占用降低35%。

创新点3：类别不平衡处理与可解释诊断

针对数据集中Moderate类别样本稀缺（仅1%）导致的类别不平衡问题，提出自适应类别加权机制（权重2.5353）结合Focal Loss，使稀有类别识别率达到100%。同时设计三栏式智能诊断界面，集成实时概率分布可视化、混淆矩阵分析和置信度评估，为临床医生提供可解释的多维度诊断支持，相比传统黑盒模型提升诊断可信度。

训练模型

运行AD_Model_Training.m

本系统采用基于ADNI数据集的两阶段迁移学习训练策略。

第一阶段：DenseNet-201迁移学习。加载ImageNet预训练的DenseNet-201模型，将最后的全连接层（fc1000）替换为5分类输出层，并设置新层的学习率因子为10倍以加速收敛。采用Adam优化器、初始学习率3e-4、每10个epoch衰减至50%的学习率调度策略，在数据增强（随机旋转±10°、平移±5像素）后的训练集上进行30个epoch的端到端微调训练。

第二阶段：BiLSTM时序建模训练。利用训练好的DenseNet-201在avg_pool层对所有训练样本和测试样本提取1920维深度特征向量，将每个样本的特征向量转换为D×1序列格式输入到BiLSTM网络（128个隐藏单元）。该网络通过双向时序建模学习特征维度间的长程依赖关系，同样采用Adam优化器和相同的学习率调度策略进行30个epoch训练。

训练配置与结果保存。 训练过程中采用80%/20%的数据划分比例，MiniBatchSize设置为16以适应小规模数据集，每10个epoch进行一次验证集评估。训练完成后将DenseNet-201和BiLSTM模型分别保存至Models目录，同时生成混淆矩阵和ROC曲线并保存至Results目录。整个训练流程通过MATLAB深度学习工具箱实现，支持CPU和GPU自动切换以优化训练效率。

图2 BiLSTM混淆矩阵

图3 BiLSTM模型的ROC曲线

图4 Combined混淆矩阵

图5 Combined模型的ROC曲线

图6 DenseNet201混淆矩阵

图7 DenseNet-201模型的ROC曲线

快速开始

本系统需要 MATLAB R2019b 及以上版本，并安装 Deep Learning Toolbox、Image Processing Toolbox 和 Computer Vision Toolbox，建议配置 8GB 以上内存和支持 CUDA 的 NVIDIA GPU 以加速模型推理。

环境要求

确保模型文件位于 Models/ 目录下后，在 MATLAB 命令窗口输入 AD_Detection_System 即可启动系统，点击”加载模型”按钮完成模型初始化，然后通过”导入医学影像”选择 PET/MRI 影像文件，最后点击”开始智能诊断”获取诊断结果和置信度评分。

运行展示

运行AD_Detection_System.m

图8 主界面

图9 阿尔茨海默病AD

图10 认知正常CN

图11 早期轻度认知障碍EMCI

图12 晚期轻度认知障碍LMCI

图13 轻度认知障碍MCI

项目资源

配套文档

点击查看：基于深度迁移学习的阿尔茨海默病MRI影像分类系统研究与实现 注意：免费提供！

配套文件

包括完整的项目源代码、演示视频、运行截图，开箱即用。

项目信息

作者信息

作者：Bob (张家梁)
项目编号：AI-25-P
原创声明：本项目为原创作品

联系方式

开源协议

本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。