基于CBAM增强与多尺度特征融合的AD MRI图像分类方法

韦建武; 王宋; 任建禹; 肖叶子; 邵梅; 韩刚

doi:10.13682/j.issn.2095-6533.2026.02.011

西安邮电大学学报 ›› 2026, Vol. 31 ›› Issue (2) : 109 -117. DOI: 10.13682/j.issn.2095-6533.2026.02.011

基于CBAM增强与多尺度特征融合的AD MRI图像分类方法

韦建武, 王宋, 任建禹, 肖叶子, 邵梅, 韩刚

作者信息 +

Author information +

文章历史 +

PDF

摘要

为解决现有基于深度学习的阿尔茨海默病(Alzheimer's Disease, AD)高分辨率磁共振成像(Magnetic Resonance Imaging, MRI)图像分类方法中全局特征建模不足、多尺度病理信息利用不充分及类别不平衡问题，提出融合卷积块注意力模块与多尺度过渡层的改进密集连接网络(DenseNet)模型。具体方法为：在DenseNet121架构下，于各密集块末端集成卷积块注意力模块(Convolutional Block Attention Module, CBAM)以聚焦关键脑区病理变化，设计多尺度Transition层优化下采样时多尺度病理信息融合与保全，采用焦点损失函数缓解类别不平衡。OASIS-1数据集实验显示，该模型分类准确率90.91%、F1值92.12%、召回率94.00%,显著优于MobileNetV2、VGG16及传统DenseNet模型。其能提升AD分期诊断精度，尤其在降低痴呆漏诊率、识别轻度痴呆(黄金干预窗口)上表现突出，可为临床早期干预提供支撑，具备临床转化潜力。