3DPCANet在阿尔茨海默症功能磁共振成像图像分类中的应用

阿尔茨海默症(AD)是一种起病隐匿的进行性神经退行性疾病,会使患者的大脑脑区结构发生改变。为辅助医生对AD患者的病情做出正确判断,提出了一种改进的三维主成分分析网络(3DPCANet)模型,并结合被试者全脑均值低频波动振幅(mALFF)图像来对AD进行分类。首先,对功能磁共振成像(fMRI)数据进行预处理,计算出全脑mALFF图像;然后,利用改进的3DPCANet深度学习模型进行特征提取;最后,使用支持向量机(SVM)对不同阶段的AD患者的特征进行分类。实验结果显示,所提模型简单,鲁棒性好,且其在主观记忆衰退(SMD)与AD、SMD与晚期轻度认知障碍(LMCI)以及LMCI与AD上的分类准确率分别达到了92.42%、91.80%和89.33%,验证了提出方法的有效性和可行性。

基于功能磁共振图像转换在阿尔茨海默症分类中的应用

为了能识别阿尔茨海默症(AD)早期症状,提出一种改进的3DPCANet网络模型,并结合患者功能磁共振成像(fMRI)转换,对AD不同阶段患者进行分类。首先预处理患者的fMRI,并对预处理后的图像进行局部一致性(ReHo)图像转换;然后采用改进的3DPCANet模型对fMRI转换后的图像进行特征提取;最后使用支持向量机进行分类。实验结果显示,改进后的3DPCANet模型可以对fMRI转换后的图像提取有效的分类特征,其中,晚期轻度认知障碍与AD、主观记忆衰退与AD、主观记忆衰退与早期轻度认知障碍的分类准确率分别达到90.00%、88.89%、88.00%,验证了本方法的有效性和可行性。