融合多模态影像的阿尔茨海默病多分类诊断模型

张荣，张烁，余红梅，刘龙

（1. 山西医科大学 计算机教学部，山西 太原 030001；2. 山西青年职业学院 计算机与信息工程系，山西 太原 030032；3. 山西医科大学 公共卫生学院，山西 太原 030001）

0 引言

阿尔茨海默症AD 是一种常见的老年神经退行性疾病，临床表现为记忆力减退、失忆、语言能力退化并且难以逆转和控制。文献表明，预计到2050年，全世界AD 症患者将达到1.07 亿人［1］。轻度认知障碍MCI 是AD 和正常衰老NC 的中间状态。研究 表 明，MCI 患 者 比NC 更 容 易 发 展 为AD［2］。所以，更多关注MCI 和AD 的差异研究对AD 的早期诊断有很大帮助。由于MCI 病人在日常生活中并不会有太大影响，表现为记忆力轻度衰退，并且在发病前期不被人重视，这就是MCI 患者延误病情最终发展为AD 病的重要原因。

随着医学影像技术的快速发展，产生了异构的医学图像，如电子计算机断层影像（Computed Tomography，CT）、磁共振影像（Magnetic Resonance Imaging，MRI）和正电子发射断层影像（Positron Emission Tomography，PET）等，这些医学影像对AD 的早期诊断起到了至关重要的作用。为了给医生提供有效、准确、快速的辅助诊断信息，机器学习技术处理多模态影像逐步成为医学研究的热点领域［3］。这种技术通过对不同模态的医学影像的感兴趣区域进行特征提取，并分别对提取的特征进行选择和融合，最后根据选择和融合的特征进行图像的分类和识别。

卷积神经网络（Convolutional Neural Network，CNN）是近些年来发展起来的高效识别模型，广泛应用于图像识别领域，主要的特点是CNN 可以通过卷积和池化操作自动对感兴趣区域进行高效的特征提取，避免传统机器学习方法需要人工提取特征时出现不必要的人为错误。……