阿尔茨海默病（AD）是一种最常见的神经退行性疾病，通常会导致记忆丧失、困惑、语言困难以及运动协调问题。尽管已有多种机器学习（ML）和深度学习（DL）算法被用于从MRI扫描中识别阿尔茨海默病（AD），但由于相邻类别之间存在共同特征，精确分类AD类别仍然具有挑战性。
本研究提出了基于迁移学习的方法，用于从MRI扫描中提取特征，以实现不同AD类别的多分类。在两个公开可用的数据集（即ADNI和OASIS）以及一个合并了ADNI和OASIS的混合数据集上，分别应用了四种基于迁移学习的特征提取器，即ResNet152、VGG16、InceptionV3和MobileNet。每个数据集均包含四个类别：中度（MoD）、轻度（MD）、极轻度痴呆（VMD）和非痴呆（ND）。结果表明，在四种迁移学习方法中，改进版的ResNet152V2是最优的特征提取器。
接下来，通过将改进版的ResNet152V2作为特征提取器，我们提出了一种基于卷积神经网络的模型——“IncepRes”。该模型通过融合Inception和ResNet架构实现了对AD类别的多分类。结果表明，我们提出的模型在ADNI、OASIS和合并数据集上的标准准确率分别达到了96.96%、98.35%和97.13%，优于其他竞争性的深度学习结构。
我们希望所提出的框架能够自动实现对各种AD类别的精准分类，从而为与AD相关的认知和功能障碍提供及时的管理和治疗方案。
(全文结束)
