DCGAN与LSTM融合的AD分类算法：参数减少，精度提升

本文主要探讨了一种创新的阿兹海默症分类算法，它结合了深度卷积生成对抗网络（DCGAN）和长短时记忆网络（LSTM）。针对传统阿兹海默症分类模型存在的问题，即3D模型参数过多导致计算复杂，而2D模型由于缺乏连续性特征可能影响性能，研究者提出了一个新颖的方法来改进这一状况。 深度卷积生成对抗网络（DCGAN）在无监督学习中发挥关键作用。通过训练卷积神经网络，DCGAN能够自动从脑部核磁共振成像（MRI）图像中提取潜在的特征，无需依赖预先标记的数据，这极大地减少了对大量标注样本的依赖，提高了模型的泛化能力。 接下来，MRI图像序列被转换为特征序列，这些特征序列作为输入进入长短时记忆网络。LSTM是一种特殊的递归神经网络，其设计特别适合处理序列数据，能够捕捉到MRI序列中的时间相关性，这对于识别病患的状态变化至关重要。 在分类阶段，特征序列和LSTM的隐藏状态相结合，共同决定了阿兹海默症的分类结果。实验结果显示，这种结合了DCGAN和LSTM的模型相较于传统的3D模型，参数量更少，却实现了更高的分类精度。在NC（正常认知）与AD（阿尔茨海默病）的分类上，达到了令人瞩目的93.93%准确率，而在NC与MCI（轻度认知障碍）的分类中，也达到了86.27%的准确率。 这项研究不仅提升了阿兹海默症诊断的准确性，而且展示了在医疗图像分析领域，深度学习技术尤其是生成对抗网络和循环神经网络的潜力。研究团队包括来自南华大学计算机学院和南华附属医院的林颖、何啸峰，以及中南大学湘雅公共卫生学院的陈灵娜和陈俊熹等，他们的合作展现了跨学科研究的力量，推动了医学图像处理和人工智能在医疗诊断领域的应用发展。 本研究为阿兹海默症的早期诊断提供了一种有效且参数效率高的新型方法，展示了深度学习技术在医疗影像分析中的前景，具有很高的实用价值和研究意义。