分类框架
提出的方法不假设一个特定的神经成像方式。使用的数据为MRI(T1)，在特征提取之前进行图像的预处理。特别地，在使用非参数非均匀强度归一化算法对强度不均匀性进行校正之后，所有MR图像都进行颅骨剥离和小脑去除。MR图像被注册成具有Demons的模板
研究所提出的分类方法基于结合了多模型的卷积网络，该网络具有以下两个步骤：使用多模型卷积网络进行特征提取然后将多种特征结合起来用于图像分类。该方法的优势有：
深层卷积学习结构能够从低层到高层提取特征，对训练图像的平移、尺度和旋转具有不变性
不同的深度卷积网络模型有助于学习对分类任务有用的互补特征，这些互补特征可以结合起来捕获MR脑图像的丰富信息，从而改进最终的分类
架构图
3DCNN的特征学习
该研究使用的MR脑图是3D数据，因此，使用了3D卷积核来编码它的丰富的空间信息。设计的用来提取特征的3D CNN包含四层
第一层是输入层，接收大小为69*59*57的3D图像
第二层是卷积层，它使学习滤波器与输入图像卷积，并为每个滤波器产生特征图
第三种是池化层，它通过将每个非重叠块替换为它们的最大值来沿空间维度对输入特征图进行下采样
第四层是全连接层，学习之前层输出的线性特性的非线性特征
研究实际设计(6个卷积层，3个池化层，2个全连接层，使用Tanh激活函数)
在预训练阶段，针对分类任务对每个深度CNN分别进行优化，其输出是softmax层产生的类概率分数。在反向传播时，使用Adadelta梯度下降法，同时在池化层和卷积层之间使用dropout来降低过拟合
3D卷积自动编码器的特征学习
用于提取3D图像特征的3D卷积自编码器是基于重建输入图像
在第一阶段中，使用三个卷积层
对卷积层进行逐层训练，将核大小和核数分别设置为2×2×2和16
每个层都有两个步骤：编码和解码。首先，通过将每个固定体素邻域映射到隐藏层中的向量特征空间，对输入图像进行编码。然后在输出层对原始空间进行重建，重建误差由重建图像与原始输入之间的欧几里德距离来计算。使用Adadelta梯度下降来最小化训练中的重建误差
当训练一个层时，我们使用最大池化后的隐藏层作为下一层的输入，最大池化的尺寸为2*2*2，并且前一个卷积层的训练权重设置为常数。迭代相同的步骤以生成所有三个层。同时，使用ReLu作为激活函数
三个卷积层之后的输出被展平成一个向量，作为全连接层的输入
利用训练好的权值对三个卷积层进行初始化，并通过深度监督对分类任务进行细化
最后是一个用于分类的(AD,NC)的softmax层。使用Adadelte梯度下降来微调整个过程
架构图
由于多尺度的三维MR图像可以捕获不同的图像信息进行分类，因此该研究通过改变图像大小来建立三个三维CAE模型。对输入的三维MR图像进行2、3、4采样，训练多尺度三维CAE模型以学习图像的各种特征。为了简单起见，建立了具有相同网络结构的多尺度CAE模型
AD集成分类
3D CNN和3D CAE捕捉了不同的图像特征，该研究又提出结合多重模型以提取3D MRI丰富特征来进行集成分类
首先3D CNN和3D CAEs都独立地训练以从脑MRI中提取特征。对于3D CNN模型，其FC1层的输出直接作为特征用于集成。对于多规模CAE模型，一个额外的全连接层被用来将输出特征进行降维(500 -> 50)
然后，多模型的特征被级联为一个新的270的向量，一个上部全连接层被添加以对特征降维。最后一个softmax层用降维后的特征进行分类
实践做法