基于多模态影像特征的AD诊断研究

目的:探究多模态融合特征对阿尔茨海默病(Alzheimer’s disease,AD)病程诊断性能的影响。方法:以阿尔茨海默病神经影像学计划数据库中81例受试者的多模态影像数据为研究对象,在卷积神经网络提取的T_(1)加权成像(T_(1) weight image,T_(1)WI)特征基础上,利用图卷积神经网络(graph convolutional neural networks,GCN)提取弥散张量成像(diffusion tensor imaging,DTI)脑白质网络特征,然后采用类别提升集成算法融合多模态特征进行AD诊断预测。结果:在DTI脑白质网络特征学习中,GCN模型的诊断准确率为80.0%,优于传统机器学习模型;在单、多模态的AD诊断性能比较中,基于多模态特征的诊断准确率为85.3%,优于T_(1)WI单模态特征。结论:各模态特征间存在一定互补性,GCN可以提取DTI影像中更具表征性的脑连接网络特征,与T_(1)WI特征融合可进一步提高AD的诊断性能。