Depth-induced Saliency Comparison Network for Diagnosis of Alzheimer's Disease via Jointly Analysis of Visual Stimuli and Eye Movements

本文旨在提出一种通过特殊视觉刺激下的眼动分析来诊断阿尔茨海默病（AD）的方法。早期诊断对于随后的医疗治疗非常重要，而眼动作为一种潜在的非侵入性生物标志物，可以用于检测AD患者的认知异常。在本文中，我们提出了一种基于深度感知的显著性比较网络（DISCN），用于眼动分析，可用于诊断阿尔茨海默病。在DISCN中，一个显著性注意力模块使用分层显著性注意力（SAA）将视觉刺激的RGB和深度地图与正常眼动融合在一起，以评估包含来自视觉刺激和正常眼动行为的综合显著性地图。此外，我们引入了序列注意力模块（SEA），以强调最异常的眼动行为，以减少个人偏见，获得更稳健的结果。根据我们的实验，DISCN在分类AD患者和正常对照组的眼动方面具有一致的有效性。

利用眼动分析作为潜在的非侵入性生物标志物来检测阿尔茨海默病（AD）患者的认知异常，提出了一种新的深度感知显著性比较网络（DISCN）的解决方案。

DISCN使用显著性关注模块将正常的眼动、视觉刺激的RGB和深度图像融合在一起，使用分层显著性关注（SAA）评估综合显著性图，其中包含来自视觉刺激和正常眼动行为的信息。此外，引入串行关注模块（SEA）来强调最异常的眼动行为，以减少个人偏见，获得更稳健的结果。

论文的实验结果表明，DISCN在分类AD患者和正常对照组的眼动行为方面具有一致的有效性。该论文的亮点包括：使用深度图像以及正常眼动行为的融合，提出了一种新的深度感知显著性比较网络（DISCN）；使用分层显著性关注（SAA）评估综合显著性图，其中包含来自视觉刺激和正常眼动行为的信息；引入串行关注模块（SEA）来强调最异常的眼动行为，以减少个人偏见，获得更稳健的结果。

最近在这个领域中，还有一些相关的研究，如：1）“Using Eye Movements as a Biomarker for Alzheimer’s Disease: A Review”；2）“Eye Movements as a Biomarker for Neurodegenerative Diseases: Exploring Disease Progression in Huntington’s and Parkinson’s Diseases”；3）“Eye movement biomarkers for neurodegenerative diseases: a meta-analysis”等。