阿尔茨海默症(Alzheimer’s Disease,AD)是一种起病隐匿的神经退行性疾病,该病具有遗传倾向性且病情不可逆,给患者家庭带来了极大的痛苦,也给社会带来了巨大的经济负担。目前对AD并无有效的治疗手段,只能寄希望于能够尽早识别出AD患者并及时干预治疗。轻度认知障碍(Mild Cognitive Impairment,MCI)是AD的早期阶段,对MCI患者进行有效治疗可以延缓病情进展甚至促进康复,因此,若能尽早识别出MCI患者,将有助于患者接受治疗,防止病情恶化。目前,多模态神经影像数据被广泛应用于AD分类研究。一些AD分类研究通过结合不同类型的影像数据,如磁共振成像、正电子发射断层扫描等图像来提高疾病的诊断准确性。然而,这diABZI STING agonist细胞培养些研究方法存在着一定缺陷。首先,医学图像数据在预处理后存在分辨率较低和空间标准化精度较差的问题。其次,原始特征维度较高且包含大量冗余信息。同时,同一患者的完整多模态数据样本数量较少,难以训练出可靠的分类模型。最后,在特征选择时忽略标签信息和结构信息,而且无法将所选特征与代谢或结构发生改变的大脑区域相对应,难以可视化病变部位,导致模型可解释不足。针对以上问题,本文从融合磁共振成像和正电子发射断层扫描数据的角度出发,对AD分类方法进行了研究。具体研究内容如下:(1)对包括AD、MCI和正常对照(Normal Control,NC)的磁共振成像和正电子发射断层扫描影像进行了预处理。为了解决医学图像分辨率和标准化精度较低等问题,本文使用了李代数微分同胚配准算法方法进行空间标准化,得到了高质量的多模态神经影像数据。(2)针对完整多模态神经影像数据的样本量较少、原始MK-1775分子式特征维度较高且包含冗余信息等问题,本文提出了一种基于最大相关-最小冗余和典型相关性分析的AD分类方法(mRMR-CCA),该方法旨在去除冗余信息,从而获得更具判别性的特征表示。本文使用支持向量机分类器,结合mRMR-CCA算法提取的特征,构建了AD vs.NC、MCI vs.NC以及AD vs.MCI的分类Dromedary camels模型。实验结果表明,该方法在AD分类问题上具有一定的有效性,在三个任务上的分类准确率分别为90.27%、70.27%和75.33%。(3)针对现有研究在特征选择过程中忽略标签信息、结构信息,以及对所选特征解释性不强的问题,本文提出了一种基于多模态潜在特征融合的算法,该方法引入标签矩阵,并根据标签信息构建局部邻域关系,将较大的权重赋予与…