21 Novembre 2026

Psicologia Punto One | Psicologia e Psicologi nel Web

Menu

Menu

SCHEDA SCIENTIFICA2026Altra ricerca

Rete adattiva a gating multi-dimensionale per la classificazione della malattia di Alzheimer basata su immagini di risonanza magnetica multi-view e dell'intero cervello

Titolo originaleMulti-Dimensional Feature Adaptive Gating Network for Multi-View and Whole-Brain Magnetic Resonance Imaging-Based Alzheimer's Disease Classification.

Yipeng Zhou, Lin Zhu, Zhenqiao Liu, Qingchuan Zhang, Jianli Wang

Journal of visualized experiments : JoVE · 2026

PER COMPRENDERE LO STUDIO

Sintesi in italiano

La malattia di Alzheimer (AD) è un disturbo neurodegenerativo progressivo che determina alterazioni strutturali cerebrali rilevabili tramite risonanza magnetica strutturale (sMRI). La classificazione accurata tra controlli normali (NC), compromissione cognitiva lieve (MCI) e AD è complessa a causa della sottigliezza e della distribuzione spaziale delle modificazioni cerebrali, oltre alla difficoltà di interpretarle biologicamente. Questo studio propone un modello di deep learning, denominato MDFAG-Net, mirato a integrare rappresentazioni multidimensionali della sMRI combinando caratteristiche bidimensionali estratte da viste sagittale, coronale e assiale tramite un Vision Transformer con caratteristiche globali dell'intero cervello ottenute da una rete convoluzionale tridimensionale. Il framework impiega un modulo di apprendimento a istanze multiple sparso potenziato per selezionare le fette informative riducendo le informazioni ridondanti e un modulo di gating adattivo per fondere dinamicamente le caratteristiche in base al contributo specifico del campione. La validazione su 842 soggetti del dataset ADNI ha mostrato prestazioni competitive nella classificazione NC/MCI/AD, superando modelli bidimensionali, tridimensionali e multibranch in identiche condizioni sperimentali, con un'area sotto la curva ROC di 0.798. Analisi interpretative come Grad-CAM e DeepSHAP hanno rivelato regioni cerebrali correlate alla progressione della malattia, quali ippocampo, amigdala, giro cingolato posteriore, giro parahippocampale e sistema ventricolare. Il metodo risulta quindi promettente per migliorare la classificazione automatizzata e l'interpretabilità clinica dei dati di imaging neurostrutturale in AD.

Sintesi generata con IA. Verifica metodi, risultati e limiti nella pubblicazione originale.

Abstract e pubblicazione originale

L’abstract è consultabile nella fonte originale. Non viene ripubblicato qui perché non risulta verificata una licenza compatibile.

Leggi nella fonte originale ↗

Parole chiave

Alzheimerrisonanza magnetica strutturaledeep learningclassificazioneVision Transformerconvoluzione tridimensionaleapprendimento a istanze multiplegating adattivoneuroimagingprogressione malattia

Come citare questo studio

Yipeng Zhou, Lin Zhu, Zhenqiao Liu, Qingchuan Zhang, Jianli Wang. (2026). Multi-Dimensional Feature Adaptive Gating Network for Multi-View and Whole-Brain Magnetic Resonance Imaging-Based Alzheimer's Disease Classification.. Journal of visualized experiments : JoVE. DOI: 10.3791/73427

Consulta la pubblicazione originale ↗