本篇論文是發表於2017年6月，使用深度學習的方法來對阿爾茲海默症進行診斷！主要的點在以下幾個方面，當然了，這是對於我這個新手菜鳥的主要點，對於大佬可以無視的！（以下記錄只是本人的學習筆記，粗糙之處多有擔待）
MRI圖像的張量表示
數據集和預處理
AlexNet網絡及其改進增強的網絡模型
MRI圖像的張量表示
張量是高維數據的表示形式，是矩陣的高維推廣。標量可以看作是零階張量，矢量是一階張量，矩陣是二階張量。張量是矩陣的推廣，因此它也滿足一些矩陣的性質。
Tucker 分解是張量分解的一種，它可以得到一個核心張量和一系列正交矩陣。 Tucker 分解的概念最初是在研究心理學時提出的，然後逐漸被應用在許多學科中間。Tucker 分解的優勢在於減少像素之間的信息損失。在高維圖像中，核心張量保證了原張量的重要信息不會丟失。Tucker 分解在數據挖掘、數據壓縮中有很多成功應用。其函數可以表示爲:
其中 ， w 是要被 Tucker 分解的張量， G 是核心張量，A1，A2，… ，An 是一系列正交矩陣。
MRI圖像都是三維的，但是深度學習處理的圖片都是二維的，這就要求我們對圖像進行降維，但是在降維的時候要減少圖像降維的損失，這就想到了Tucker分解。
tucker分解有個core tensor，你可以把它類比成pca中的主成分因子，它可以體現原tensor（張量）的大部分性質。
數據集和預處理
實驗數據是從阿爾茨海默病神經影像學網站得到的 (ADNl）。針對 AD 的心理測試主要包括臨牀癡呆評定量表 (Clinical dementia rating, CDR) [25J 和簡易精神狀態檢查表 (mini-mental state examination, MMSE) [町，這兩類表可以作爲 AD 的心理學診斷標準。
使用醫學軟件MRIcron 進行了數據集的顫選。然後，將經過分解的 MRI 圖像的大小調整爲 256 養 256 0 實驗選用了大腦的冠狀位，這是因爲醫生在確診 AD 時更多是根據冠狀位圖。
AlexNet網絡及其改進增強的網絡模型
這是AlexNet的網絡結構圖，AlexNet 有八層結構，前五層構建的是卷積神經網絡，第六層到第八層爲傳統神經網絡。第一層和第二層都使用了卷積、 ReLU、池化、標準化操作。第三層和第四層參數相同，都使用了卷積和 ReLU 操作。第五層使用了卷積、 ReLU、池化操作。操作後的結果輸入到傳統的神經網絡中，最後三層使用全連接的網絡結構。最後運用softmax（解決多分類問題）迴歸函數得到分類值。
經過閱讀文獻發現在原 AlexNet 模型的第三層和第四層對 AD ， MCI 和 HC 提取特徵的能力最強。（其實我並不知道這是咋來的，論文上只有這一句話）。論文總共改進了4種網絡，都是圍繞着第三層和第四層進行修改，修改參數或者添加相同參數的層來檢驗是否優化得當。
最後得到的增強型AlexNet結構參數如下圖：
這是把第三層和第四層的卷積核的個數進行了修改。
這就是這篇論文的看點了，其他的基本上沒啥可以說的了。這也只是我學習的一個筆記，多爲摘抄和記錄，不是本人所創新，大家可以搜索原文進行細看。