En este artículo, proponemos un nuevo marco de aprendizaje profundo, la Red Espacio-Frecuencial (SFNet), basada en resonancia magnética 3D para el diagnóstico temprano de la enfermedad de Alzheimer (EA). SFNet mejora la precisión del diagnóstico de la EA al utilizar simultáneamente información en los dominios espacial y frecuencial. A diferencia de estudios previos que utilizaron solo uno de los dominios espacial o frecuencial o se limitaron a la resonancia magnética 2D, SFNet es el primer modelo de aprendizaje profundo integral que utiliza información espacial y frecuencial de la resonancia magnética 3D. Extrae características espaciales locales mediante una Red Convolucional Densa mejorada, captura representaciones globales en el dominio frecuencial mediante un módulo de frecuencia global y mejora la extracción de características espaciales mediante un módulo de atención multiescala. Los resultados experimentales con el conjunto de datos ADNI muestran que SFNet logra una mayor precisión (95,1%) y reduce los costos computacionales en comparación con los métodos existentes.
