融合图像和指标的阿尔茨海默病多分类诊断模型

摘要

cqvip: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.