首先，根据每位受试者的六种不同的解剖测量（即CGMV、CT、CSA、CC、CFI和SV）和自动解剖标记（AAL）图谱构建六个单独的网络。然后，针对每个网络，提取所有节点（ROI）特征和边缘（区域间）特征，分别表示为节点特征集和边缘特征集，可以从六个不同的解剖测量中得到六个节点特征集和六个边缘特征集。然后，对特征集中的每个特征按降序进行F分排序，并将每个特征集的最高排序特征应用于MKBoost算法，以获得最佳的分类精度
在获得最佳分类精度后，可以得到每个节点或边缘特征集的最优特征子集和相应的分类器。随后，为了研究仅含节点特征的分类性能，提出了一个加权多核学习（wMKL）框架来组合这六个最优节点特征子集，并得到一个组合的分类器来执行AD分类。类似地，可以获得仅具有边缘特征的分类性能。最后，我们结合六个最优节点特征子集和六个最优边缘特征子集进一步提高了分类性能
介绍
皮质灰质体积（CGMV）、皮质厚度（CT）、皮质表面积（CSA）、皮质曲率（CC）、皮质折叠指数（CFI）、皮质下体积（SV）
MRI分为两大类：结构（解剖）成像和功能成像。结构性MRI由于其在临床上容易获得，因此受到研究者的广泛关注。在该研究中使用了T1加权MRI图像
基于区域的分析方法已经成为自动AD诊断的最流行的方法之一。基于区域的分析方法的关键是兴趣区域（ROI）的确定。一旦确定了大脑中的ROI，就可以利用它们来识别AD、MCI和健康对照(HC)人群之间的解剖学差异，并随后确定AD相关特征以辅助诊断、预后以及MCI进展和治疗效果的评估。根据ROI的数量，基于区域的分析方法可以分为两类：单ROI方法和多ROI方法。不同的研究学者将大脑划分为不同个数的ROI。在该研究中不仅考虑大脑中的每个ROI，而且考虑两个ROI之间的相关性，结合多种解剖学MRI检查方法诊断AD
核方法，如支持向量机（SVM），已经在许多数据分析应用中得到了广泛的应用。由于单核方法可能不足以有效处理实际应用中的不同模式和复杂决策边界，因此提出了多核学习(MKL)方法，以获得更好的能力和更大的灵活性来解决现实世界的挑战。MKL可以集成不同的特征空间源，从而为数据融合提供通用框架
在本文中，提出了一种新的AD诊断方法，通过MKL结合多种措施。使用的解剖措施包括CGMV，CT，CSA，CC，CFI和SV
首先，基于六种不同的解剖测量和针对每个受试者的自动解剖标记（AAL）图谱构建六个单独的网络。其它步骤如摘要所述
图像描述与预处理
所有T1加权MRI图像使用Freesurfer图像分析套件进行预处理。图像预处理主要包括运动校正、强度归一化、颅骨剥离和小脑切除
脑区测量
测量皮质区
本研究整合了CGMV、CT、CSA、CC和CFI等皮层区域的多种测量方法
为了计算皮质区域的CGMV、CT、CSA、CC和CFI，使用Freesurfer软件，对T1加权MRI图像的皮质表面进行解剖学重建。在解剖重建之前，所有T1加权MRI图像都登记到AAL地图集
在解剖重建过程中，利用基于局部强度值和几何拓扑约束的变形算法生成表示白质表面边界和软质表面边界的三角形网格。每个三角形网格由每个半球的100000个顶点组成。重复重建过程，直到获得白质和软质表面的精确表示。重建的表面被用来计算这些测量。白质和软脑膜表面之间的体积计算为CGMV，计算白质与软膜表面之间两个最短距离的平均值作为CT。温克勒等人认为每个顶点的CSA等于其周围三角形的平均值。因此，三角形的面积之和可以用来表示ROI的CSA。在这些方向上密切圆的半径长度的倒数用作在这些方向上的顶点的曲率，因此，曲面的两个主要方向的曲率值的平均值可以用来表示ROI的CC。CFI，也称为局部回转指数（lGI），是由Sch.等人先前提出的基于表面的3D回转技术测量的。在皮层表面上给定体素处的lGI被计算为折叠的皮层表面上半径为25mm的圆形ROI的表面与对应的皮层外周表面之间的比率。皮层折叠的数量（lGI）在每个软脑膜表面位置反映了皮层埋藏在沟褶内周围区域的数量。LGI的值越大，在沟状褶皱中埋藏的表面越多
AAL地图集
皮质下区测量
SV已成功地用于区分AD患者与HCS（47）。在本研究中，使用FSL中的FIRST计算皮层下结构的体积。在第一阶段，使用非线性MNI—152模板来配准所有的全脑图像。此外，为了实现更准确的配准，在先前结果的基础上使用皮层下掩模(来自表2所示的AAL图谱)。在第二阶段，使用可变形网格对皮层下结构的形状进行建模，并且使用结构分割方法将边界体素分类为皮层下结构的一部分。在第三阶段，通过FSL获得的颅内容积校正皮质下容积