阿尔茨海默病是一种毁灭性的神经退行性疾病，目前尚无治愈方法，因此需要早期诊断以阻止其进展。然而，有限且不平衡的 MRI 数据集阻碍了 AI 驱动解决方案的进展。该数据集是开创性研究的成果，旨在解决阿尔茨海默病 (AD) 研究中的两个主要挑战：数据稀缺和严重的类别不平衡。通过利用带梯度惩罚的 Wasserstein GAN (WGAN-GP)，我们生成了高保真 DeepFake“轴向”MRI 扫描图像，其质量与真实世界数据质量相当，同时确保了四个不同疾病阶段的均衡呈现。由于这种高质量和均衡的特性，其平衡准确度总体提升了 11.77%，马修相关系数 (MCC) 提升了 15%。研究还发现，少数类的性能提升了 91.4%。如果您有兴趣使用我们的代码训练自己的 GAN，您可以了解已发表的研究成果，网址为：研究论文链接
数据集质量和分布：
该数据集由四个类别组成 – 无损伤、极轻微损伤、轻微损伤和中度损伤 – 每个类别包含训练集中的 2,560 个轴向 MRI 扫描，合成 MRI 显示出与原始扫描一样好的质量和多样性，所有少数类别的平均 FID 分数为 0.13、平均 SSIM 为 0.97、平均 PSNR 为 32 dB 和平均清晰度差异 (SD) 为 0.04，均接近其理想值。
下图展示了平衡数据集（Real + DeepFake）在阿尔茨海默病四个阶段的训练集和测试集之间的分布情况：
GRAD-CAMs：
最终的分类器实现了 99% 的平衡准确率和 97.56% 的马修斯相关系数，它通过从最后一个卷积层提取梯度并将其叠加为热图来生成 Grad-CAM 可视化效果。这突出显示了模型关注的区域，以便做出分类决策，临床医生可以据此进行解读，从而增强和验证他们对患者的诊断。下图使用颜色条说明了此层次结构，其中“红色”表示最关键的区域，其次是“橙色”、“黄色”、“绿色”和“蓝色”表示最不重要的区域。
