脑区注意网络

多中心AD检测

该网络用注意力机制突出与阿尔茨海默病相关的重要脑区，在有标签数据有限的情况下，能够利用多中心无标签数据提升模型表现且保护隐私。

雷柏英 · Yu, Liang · Xie, Jiayi · You, Wu · Liang, Enmin · 刘永 · Yang, Peng · 汪天富 · ChuanMing, Liu · 杜继臣 · 肖小华 · Wang, Shuqiang

Pattern Recognition 2024

参数信息

平均准确率（AD vs. NC）

85.69 %

平均准确率（MCI vs. NC）

63.34 %

平均准确率（AD vs. MCI）

69.89 %

技术优势

无需共享数据

采用混合联邦学习框架，各中心的原始影像数据始终保留在本地，只有模型参数或中间表示被交换，从根本上规避了隐私泄露风险。

无标签数据也能用

通过引入自监督损失，网络能够从各中心的海量无标签影像中学习表征来指导注意力图生成，显著提高了有标签数据有限时的模型性能。

可解释的脑区定位

BANet 通过注意力机制自动识别对分类最重要的脑区，生成的可视化热图让医生能够理解模型决策依据，而不仅仅是一个黑箱结果。

跨中心表现稳定

在由五个公开数据集构建的多中心数据库上验证，AD vs. NC、MCI vs. NC、AD vs. MCI 三个任务的平均准确率均超过现有方法，展现出良好的泛化性。

应用场景

• 阿尔茨海默病辅助诊断：用注意力热图辅助医生定位关键脑区，提高早期诊断准确率。
• 医学影像分析：直接处理结构磁共振影像，自动提取ROI信号并生成分类结果。
• 隐私保护联邦学习：各中心数据无需上传，仅交换模型参数，满足隐私合规要求。