论文部分内容阅读
当前，基于机器学习的阿尔茨海默病（Alzheimer’s disease,AD）诊断中，存在单模态图像识别率低的问题。本文提出了一种基于深度迁移学习的AD多分类诊断模型，该诊断模型利用VGG网络模型，通过迁移学习的方法对MRI(Magnetic Resonance Imaging)图像和PET(Positron Emission Tomography)图像进行特征提取，采用Adaboost算法对多模态图像提取的特征进行选择和融合，构建同一维度的特征向量，进行AD、MCI(Mild Cognitive Impairment)和NC(Normal Control)的分类识别。实验表明，以上诊断模型在AD:NC中的分类准确率、灵敏度、特异度和AUC值分别为98.3%、98.7%、94.3%、0.981；在多分类模型中，融合多模态影像AD:MCI:NC的分类准确率为92.8%。实验结果说明通过构建的多模态深度学习网络的特征融合方法比任意单模态CNN网络的识别效果好，准确率、灵敏度、特异度、AUC值各评价指标高于单模态CNN网络的识别效果。