科研之友
微信
新浪微博
Facebook
分享链接
摘要
阿尔茨海默病（AD）是一种进行性、不可逆的神经系统退行性疾病，基于磁共振成像（MRI）的神经影像学检查是进行AD筛查与诊断最直观、可靠的方法之一。临床上头颅MRI检测会产生多模态影像数据，为解决多模态MRI处理与信息融合的问题，本文提出基于广义卷积神经网络（gCNN）的结构MRI和功能MRI特征提取与融合方法。该方法针对结构MRI提出基于混合注意力机制的三维残差U型网络（3D HA-ResUNet）进行特征表示与分类；针对功能MRI提出U型图卷积神经网络（U-GCN）进行脑功能网络的节点特征表示与分类。在两类影像特征融合的基础上，基于离散二进制粒子群优化算法筛选最优特征子集，并使用机器学习分类器输出预测结果。来自AD神经影像学计划（ADNI）开源数据库的多模态数据集验证结果表明，本文所提出的模型在各自数据域内都有优秀的表现，而gCNN框架结合了两类模型的优势，进一步提高使用单一模态MRI的方法性能，将分类准确率和敏感性分别提升了5.56%和11.11%。综上，本文所提出的基于gCNN的多模态MRI分类方法可以为AD的辅助诊断提供技术基础。
- 出版日期2023
- 单位上海交通大学
