摘要：本数据集包含四类认知障碍影像样本：轻度认知障碍、中度认知障碍、无认知障碍和极轻度认知障碍。旨在构建高精度的分类模型，实现对不同认知状态的自动识别，为临床提供辅助诊断依据，推动深度学习与人工智能技术在阿尔茨海默病早期诊断和认知障碍检测中的应用。
作者信息
编号：Dataset-8
大小：37.3M
作者：Bob(整理实测)
数据集概览
本项目提供的数据集均来源于真实场景的实测数据，并经过精心筛选与规范化整理。每份数据均配套完整的测试样本与真实标注结果，可直接用于模型训练与性能验证，用户在获取数据集后即可快速开展实验与应用开发。同时，我们对数据集的真实性、完整性与可用性提供可靠保障。
1.数据类型
本数据集由认知障碍影像样本构成。原始数据为脑部/认知区域的影像图像，统一裁剪并重采样后，以固定分辨率的图像文件（JPEG格式）进行存储。
2.分类格式
该格式用于图像分类任务，广泛应用于包括Swin Transformer在内的深度学习模型训练。数据集中的图像将根据类别进行分类，以确保数据与模型的高效匹配，从而提升分类精度和推理效率。
图1 分类数据集格式
3.数据集划分
本研究使用的分类图像数据集仅包含按类别整理的图像文件，该数据集适用于图像分类任务，用于模型的训练与验证。
图2 数据集划分：测试集和训练集
数据集来源
本系统使用的阿尔茨海默病影像数据来自ADNI（阿尔茨海默病神经影像计划）数据库，该数据库包含健康对照组（NC）、轻度认知障碍（MCI）和阿尔茨海默病（AD）患者的MRI影像数据，并提供多时间点的纵向扫描。通过筛选ADNI中的影像数据，构建了一个涵盖不同认知障碍状态（轻度、中度、极轻度认知障碍及无认知障碍）的数据集，为阿尔茨海默病的早期诊断提供高质量的训练数据，并推动了深度学习和人工智能技术在医学影像分析中的应用。
图3 数据集来源
图4 数据集图片
数据集类别
表1 数据类别
数据集用途
本数据集用于阿尔茨海默病早期影像的分类模型训练与验证，包含四类认知障碍样本：轻度认知障碍、中度认知障碍、无认知障碍和极轻度认知障碍。可应用于以下研究与开发方向：
（1）模型训练：支持基于深度学习的分类模型（如Swin Transformer）进行认知障碍影像特征学习。
（2）性能评估：用于测试模型的分类准确率、召回率、F1值等评估指标。
（3）特征分析：研究不同认知障碍状态下的影像特征差异，如脑部结构变化、纹理等。
（4）系统开发：为阿尔茨海默病早期诊断系统、健康监测与疾病筛查平台提供数据支持。。
数据集性能
（1）训练与验证准确率和损失曲线
图5 Swin Transformer训练与验证准确率和损失曲线
该图展示了模型在训练过程中训练和验证准确率及损失的变化。训练准确率稳步上升并趋于稳定，验证准确率波动较大，可能表明过拟合。训练损失下降，验证损失初期较高且波动较大，进一步验证了过拟合的可能性。整体来看，模型在训练集表现良好，但验证集波动大，提示需改进泛化能力，如使用正则化技术。
（2）混淆矩阵热力图
图6 Swin Transformer混淆矩阵热力图
该热力图展示了模型在不同认知障碍状态下的混淆矩阵，数值代表实际与预测标签的匹配程度。模型在“轻度认知障碍”类别中正确预测99%，在“无认知障碍”类别中为98%。整体表现优秀，特别在“中度认知障碍”和“无认知障碍”类别几乎100%准确，只有“极轻度认知障碍”出现少量误分类。总体显示模型在识别认知障碍状态时准确性高。
（3）各类认知障碍的分类性能评估：准确率、精确率、召回率与F1分数图
图7 各类认知障碍的分类性能评估：准确率、精确率、召回率与F1分数图
该图展示了模型在各类认知障碍状态下的性能评估，准确率为97%。精确率、召回率和F1分数均接近1，特别是在“中度认知障碍”类别中达到100%。其他类别如“轻度认知障碍”和“无认知障碍”也表现优异，精确率和召回率超过0.98，F1分数为0.98，表明模型能准确识别各类认知障碍并具有较强的召回能力。总体而言，模型在分类任务中展现了卓越性能和良好泛化能力。
数据集须知
（1）数数据来源：基于公开的影像数据，限于科研与教学用途。
（2）数据结构：包含训练集与测试集，分为四类认知障碍样本。
（3）文件格式：图像文件为 .jpg 格式，文件命名与类别对应。
（4）使用要求：需遵守个人隐私与数据保护相关规定，引用时须注明数据来源。
（5）适用范围：适用于认知障碍影像识别、分类、特征分析及智能诊断系统研究。
评论(0)