融合图像和指标的阿尔茨海默病多分类诊断模型

摘要：

随着人工智能的发展,计算机辅助诊断在阿尔茨海默病诊断中扮演着越来越重要的角色.本文提出了一种融合图像和指标的新型多分类诊断模型,充分挖掘TOP-MRI图像和临床指标特征用于阿尔茨海默病的多分类诊断.首先,构建由3个VGGNet-16卷积神经网络和1个单隐层网络组成的TOP-CNN-NN模型提取大脑TOP-MRI图像特征向量,利用CfsSub?setEval评估器来筛选临床指标组成指标特征向量;然后,采用典型相关分析(CCA)方法将图像特征向量和指标特征向量进行线性融合;最后,将融合特征向量输入多分类分类器来区分阿尔茨海默病的3个阶段,包括正常(CN)、轻度认知障碍(MCI)和阿尔茨海默病(AD).通过ADNI公开数据集证明,本文提出方法在阿尔茨海默病多分类诊断上的正确率可达到86.7％,有较好的性能表现.

关键词：阿尔茨海默病、卷积神经网络、典型相关分析、核磁共振图像、生物标志物

所属期刊栏目：9

分类号：TP391(计算技术、计算机技术)

资助基金：上海市经信委人工智能创新发展专项资金RX-RJJC-08-16-0483,2017-RGZN-01004

在线出版日期：2019-08-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：6-12