图2DesendFasterRCNN检测框架*黑龙江省省属高等学校基本科研业务费项目（2020-KYYWF-0237）；黑龙江省省属高等学校基本科研业务费项目（2019-KYYWF-1384）；黑龙江省卫生健康委立项科研课题（2019-287）；佳木斯大学优秀学科团队项目（JDXKTD-2019008）；佳木斯大学教育教学改革研究项目（2021JY1-49）阿尔兹海默症（Alzheimer'sDisease，AD）是一种常发病于老年人群体的痴呆症状，也称老年痴呆症，其患者通常具有记忆力丧失和语言障碍等症状。随着神经影像学的发展，核磁共振成像（MagneticResonanceImaging，MRI）广泛应用于临床阿尔兹海默症的诊断，具有高清晰度、高准确度、全方位成像等优势，为阿尔兹海默症诊断提供有效信息。目前，国内外已有大量研究者利用卷深度神经网络实现核磁共振图像的阿尔兹海默症诊断。文献［1］提出使用卷积神经网络提取MRI图像中的特征，再使用SVM进行二分类，验证了包含海马体的相关MRI切片识别率更高；文献［2］提出使用改进的VGG-16网络结构提取MRI图像特征，实现AD与正常受试者（NormalControl，NC）二分类研究；文献［3］使用改进的Alexnet网络框架，对卷积神经网络进行改进，从而进行分类诊断；文献［4］提出一种使用卷积神经网络对磁共振脑图像的海马体区域进行特征提取从而实现阿尔兹海默症识别的方法。本文主要研究使用FasterRCNN网络结构实现阿尔兹海默症的自动诊断。由于阿尔兹海默症会导致患者海马体区域出现萎缩，患者的脑部与正常人的脑部有视觉上的区别，如图1所示，因此可以使用FasterRCNN网络对MRI进行自动识别。本文提出了一种改进的FasterRCNN目标分类网络，对MRI中的海马体区域进行阿尔兹海默症的计算机诊断方法。1基于FasterRCNN的海马体区域检测方法本文基于FasterRCNN网络提出了一种密集连接多尺度特征融合的海马体区域目标检测框架（DensedFasterRCNN，DFRCNN），实现了阿尔兹海默症与正常患者的二分类研究。算法框架如图2所示，该框架由特征提取网络、区域建议网络、目标分类与回归三部分组成。在特征提取网络中提出了多尺度特征融合的方法，如图2中A框所示，引入了密集连接特征金字基于FasterRCNN算法的阿尔兹海默症分类研究*王宇春郭浩王波刘晓敏赵化启（佳木斯大学信息电子技术学院，黑龙江佳木斯154007）ClassificationofAlzheimer'sDiseaseBasedonFasterRCNNAlgorithm摘要：针对阿尔兹海默症通常会导致海马体区域萎缩的现象，提出一种应用于磁共振图像海马体区域的FasterRCNN目标分...
