

文章介绍
阿尔茨海默症(AD)是一种渐进性、无法治愈的人类脑部疾病,会损害推理和记忆力。在阿兹海默症出现临床表现之前的早期阶段进行检测,对于及时治疗至关重要。磁共振成像(MRI)通过测量颞中叶皮层和大脑其他区域脑容量的减少,以及正电子发射断层扫描(PET)测量颞顶叶关联皮层葡萄糖浓度的减少,为了解大脑异常提供了宝贵的信息。如果将这些数据结合起来,就能提高阿尔茨海默病诊断方法的性能。然而,这些数据是异构的,为此,Modupe Odusami (立陶宛考纳斯理工大学), Rytis Maskeliūnas (立陶宛考纳斯理工大学), Robertas Damaševičius (波兰西里西亚技术大学) & Sanjay Misra(挪威能源技术研究所)提出了一种新颖的启发式早期特征融合框架,该框架可对 PET 和 MRI 图像进行合并,同时在两个数据集上同时训练修改后的 Resnet18 深度学习架构。创新的三通道方法用于学习融合 PET 和 MRI 图像中最具描述性的特征,从而对 AD 进行有效的二元分类。
实验结果表明,所提出的模型在 ADNI 数据库中的分类准确率达到了73.90%。作者同时提供了一个可解释的人工智能(XAI)模型,使这些结果能够被解释。即使存在异质性数据,提出的模型也能学习多模态数据的潜在表征;因此,提出的模型解决了部分MRI 和 PET 数据的异质性问题。
研究以开放获取的形式发表在Journal of Medical and Biological Engineering上。

欢迎扫码阅读原文
Cite this article
Odusami, M., Maskeliūnas, R., Damaševičius, R. et al. Explainable Deep-Learning-Based Diagnosis of Alzheimer’s Disease Using Multimodal Input Fusion of PET and MRI Images. J. Med. Biol. Eng. 43, 291–302 (2023). https://doi.org/10.1007/s40846-023-00801-3
期刊简介
Journal of Medical and Biological Engineering 创刊于1980年,台湾生物医学工程学会(TSBE)会刊。发表临床工程、生物医学信号、医学影像、生物信息学、组织工程等相关领域论文。



欢迎扫码进入期刊主页
点击关注医工学人

本篇文章来源于微信公众号: 医工学人