总结
在本研究中，提出了一种通过多核学习结合多种解剖学MRI测量来诊断阿尔茨海默病的方法。基于AAL图集和六种不同的解剖学测量手段，首先为每个被试构建六个单独的网络，提取两类特征集：节点特征集和边缘特征集。然后，使用F得分方法来对每个特征集的特征进行排序。然后，将排名最高的特征应用到MKBoostS2算法中，得到最佳的分类精度、相应的分类器和最优特征子集。最后，提出了一种加权MKL框架，将节点特征集、边缘特征集以及节点特征集和边缘特征集分别组合起来进行最终分类
原文链接
摘要
先前训练的神经网络分类器的方法已经成为事实上的最新技术，并且通常用于医学和自然图像数据集。在本文中，讨论了这些方法的局限性，这可能导致只检测到类别特定特征的子集。为了解决这个问题，开发了一种基于Wasserstein生成对抗网络（WGAN）的新颖的特征识别技术，它没有这种局限性
研究显示，提出的方法在视觉归因方面，在合成数据集和来自轻度认知障碍（MCI）和阿尔茨海默病（AD）患者的真实3D神经影像学数据上明显优于现有技术。对于AD患者，该方法产生非常逼真的疾病效果图，非常接近观察到的效果
介绍
目前，解决视觉属性问题最常用的方法是训练神经网络分类器来预测一组图像的类别，然后遵循两种策略之一：分析预测相对于输入图像的梯度。或者分析图像的特征图的激活，以确定图像的哪个部分负责进行关联预测
直接基于神经网络分类器的决策是基于某些突出区域而不是整个感兴趣的对象。最近表明，在训练期间，神经网络使输入层和输出层之间的相互信息最小化，从而压缩输入特征。这些发现表明，如果目标具有冗余信息的更强的特征可用，则分类器可以忽略分辨能力低的特征。换句话说，神经网络训练可能与视觉归因的目标相反。因此，如果在图像中的多个位置(例如医学图像中的多个病灶)存在类证据，则一些位置可能不影响分类结果，因此可能不被检测
该文章的贡献是向以一种捕捉图像中所有特定类别效果的方式可视化特定类别的证据的方向迈进了一步。该方法不依赖于分类器，而是旨在找到一个map，当将其添加到一个类别的输入图像时，将使其与来自基线类别的图像不可区分。为此，提出了一个生成模型，在该模型中，可加map作为图像的函数被学习。该方法基于Wasserstein生成对抗网络（WGAN），具有使生成的图像与实际图像之间的Wasserstein距离的近似最小的理想性质
该方法没有处理分类问题，而是假设测试图像的类别标签已经确定，此外，该方法需要基线类别，目的是预测阿尔茨海默病（AD）的主体特异性疾病效应图
原文链接
摘要
结构磁共振成像（MRI）在帮助理解AD相关的脑解剖结构变化中起着重要作用。该研究提出了一种基于多模型3D卷积网络结合的分类方法，以从MR脑图像中学习各种特征
首先，建立一个深度3D卷积神经网络，以将MR图像分层转换成更紧凑的高级特征。其次，构造多尺度3D卷积自动编码器（3D CAEs）以从MR脑图像中提取特征。将这些模型所学的特征与上层完全连接层和SOFTMAX层结合起来，用于AD诊断中的图像分类。所提出的方法能够自动地从成像数据中学习一般特征以进行分类，而无需对脑组织和区域进行分割。使用的数据为MRI(T1)
介绍
原始的脑图像太大，噪声很大，不能直接用于分类。因此，有必要提取代表性的图像分类特征
对于脑图像的形态分析，多个解剖区域，即感兴趣区域（ROI），是通过对标记的atlas进行翘曲来分组体素而产生的，并且区域测量被计算为图像分类的特征
但ROIS的定义需要积累研究人员的长期经验。ROIS的分割也受到科研人员个体差异和主观因素的影响。神经系统疾病引起的形态学异常并不总是发生在预定义的ROI中，这可能涉及多个ROI或部分提取的ROI，因此该方法在应用中的性能不稳定。体素特征是一种客观分析技术，用于定量测量基于体素的三种组织成分（灰质、白质和脑脊液）的密度或体积。VBM方法需要空间标准化（配准），即，空间中的脑图像的个体图像标准化为标准三维空间
标准化过程一般包括线性仿射变换和非线性形变配准两部分。为了捕获丰富的图像信息，在配准所有脑图像数据之后提取体素明智特征以将每个体素与标量测量向量的AD诊断相关联
本文提出了一种基于多模型卷积网络组合的分类方法，从MR脑图像中学习各种特征，并对AD和NC对象进行分类。在整个MR脑图像上构建多模型卷积网络，用于对紧凑的高级特征进行分层提取，方法如摘要中所述