基于交替式超边神经元算法的阿尔茨海默症多模态脑网络融合

摘要

阿尔茨海默症(Alzheimer’s Disease, AD)是一种常见于中老年人的神经退行性疾病,其病理机制至今尚未明确。通过多模态脑影像来表征脑网络在阿尔茨海默症研究中已显示出巨大的潜力和前景。然而,由于多模态数据之间的异质性,现有大多数融合算法都不能有效利用不同模态数据之间的功能–结构互补信息。为解决上述问题,本文基于超图理论和生成对抗策略,提出了交替式超边神经元算法和最优超图同态算法的多模态脑网络计算方法。具体来说,首先将功能磁共振(fMRI)和弥散张量成像(DTI)利用最优超图同态算法进行超图数据构建,再利用交替式超边神经元算法对fMRI和DTI数据的功能–结构互补特征进行深度融合,最终学习得到疾病相关的多模态脑网络。该模型的优势在于能够最大限度地挖掘疾病相关互补信息,进行多层级交替式深度融合。实验结果表明,该模型不仅能提高阿尔茨海默症早期识别性能,而且能有效检测与阿尔茨海默症相关的异常脑连接作为疾病标志物,为病理机制溯源提供基础。