阿尔茨海默病早期症状影像分类数据集

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。

整理：Bob

数据集概览

数据图像：

图1 认知障碍影像样本图像

数据类型：

表1 数据类型与格式

数据规模：
（1）数据集划分饼图

图3 数据集划分饼图

（2）数据集划分和规模

图2数据集划分和规模

数据集类别

表3 类别定义

数据集来源

表4 数据集来源与说明

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。

数据集性能

训练与验证准确率和损失曲线：

图4 训练与验证准确率和损失曲线线

该图展示了模型在训练过程中训练和验证准确率以及损失的变化趋势。在训练阶段，训练准确率稳步上升，最终趋于稳定，表明模型在训练集上逐渐学习并优化特征。与之相对，验证准确率虽然也呈上升趋势，但波动较大，尤其在训练初期，表现出较差的泛化能力，可能表明模型出现了过拟合。损失方面，训练损失随着训练的进行持续下降，验证损失则在初期较高，随着训练的深入逐步减小，但整体波动较大，进一步证明了过拟合的可能性。总体而言，模型在训练集上表现较好，而在验证集上的波动较大，提示需要采取措施改善验证集的表现，如使用正则化技术以提高模型的泛化能力。

混淆矩阵热力图：

图5 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。矩阵中的数值代表了实际标签和预测标签之间的匹配程度，数值越大，模型预测越准确。例如，在“轻度认知障碍”类别中，模型正确预测了99%的样本，而在“无认知障碍”类别中，模型正确预测了98%的样本。整体而言，模型在四个类别中的表现都非常好，特别是在“中度认知障碍”和“无认知障碍”类别上，几乎达到了100%的准确率。这表明模型在这些类别上的泛化能力较强，误分类率较低。只有在“极轻度认知障碍”类别中，模型出现了少量的误分类。总体而言，热力图显示出模型在识别不同认知障碍状态时具有较高的准确性和良好的表现。

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6 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

联系我们

官方声明

（1）实验环境真实性与合规性声明：
本研究所使用的硬件与软件环境均为真实可复现的配置，未采用虚构实验平台或虚拟模拟环境。实验平台为作者自主购买的惠普（HP）暗影精灵 10 台式整机，具体硬件参数详见表。软件环境涵盖操作系统、开发工具、深度学习框架等，具体配置详见表，所有软件组件均来源于官方渠道或开源社区，并按照其许可协议合法安装与使用。

研究过程中严格遵循学术诚信和实验可复现性要求，确保所有实验数据、训练过程与结果均可在相同环境下被重复验证，符合科研规范与工程实践标准。

（2）版权声明：
本算法改进中涉及的文字、图片、表格、程序代码及实验数据，除特别注明外，均由2zcode.Bob独立完成。未经2zcode官方书面许可，任何单位或个人不得擅自复制、传播、修改、转发或用于商业用途。如需引用本研究内容，请遵循学术规范，注明出处，并不得歪曲或误用相关结论。

本研究所使用的第三方开源工具、框架及数据资源均已在文中明确标注，并严格遵守其相应的开源许可协议。使用过程中无违反知识产权相关法规，且全部用于非商业性学术研究用途。