颜色分类LeetCode-AD_Prediction: 利用ResNet和AlexNet预测阿尔茨海默病

简介：
本项目采用颜色分类技术结合LeetCode算法优化，利用ResNet与AlexNet深度学习模型进行图像数据处理，旨在提高对阿尔茨海默病的预测准确性。 阿尔茨海默病（AD）的特点是严重的记忆丧失和认知障碍，并且伴随着显著的大脑结构变化，这些变化可以通过磁共振成像（MRI）扫描来测量。因此，在临床前期阶段可以观察到的结构改变为使用图像分类工具如卷积神经网络（CNN）进行早期检测提供了可能的机会。然而，由于样本量有限的问题，大多数相关研究受到了限制。寻找一种在数据不足的情况下有效训练图像分类器的方法变得尤为重要。 在这个项目中，我们探索了基于不同转移学习方法的多种卷积神经网络模型，用于从脑结构MRI图像预测阿尔茨海默病的发展情况。我们的实验表明，在仅有少量训练样本的情况下，预训练2DAlexNet和具有3D自动编码器的简单神经网络在性能上都优于那些需要从头开始进行深度CNN训练的方法。特别是当使用2DAlexNet时，其准确率达到了86%，高于基于3DCNN结合自动编码器模型所达到的最佳77%。 数据来源方面，我们采用了来自阿尔茨海默病神经影像学倡议（ADNI）研究的公共大脑MRI数据集进行实验分析。该研究从2004年开始实施，并且是一个长期多中心队列项目。