实验
在特征提取和分类之前，对MRI图像进行预处理步骤。尤其在MRI中，首先采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，然后进行颅骨剥离和小脑切除
数据类型：MRI(T1)和FDG-PET
PET图像被处理以使来自不同系统的图像看起来类似，然后，进行强度归一化和各向同性分辨率均匀的8mm FWHM。每个PET图像的体素强度用于分类。在图像分析中去除了平均灰度值为零的体素，最终使用的图像大小为98×78×76个体素。为了减少实验所需的计算和存储成本，进一步将神经图像降采样到49×39×38个体素
使用10折交叉验证来避免影响结果的随机因素，训练、验证、测试数据比率为8：1：1
为了增加训练数据，通过移位、采样和旋转执行增强以生成训练集的附加图像
总结
本文提出了一种基于级联CNN的多模态分类方法，利用MRI和PET图像对AD与NC进行分类。两个深度CNNs建立在不同的模态图像上，以学习特定的鉴别特征。然后与一个高级CNN级联，以结合从不同模式学习的特征进行图像分类。在MRI和PET扫描上不需要进行分割和刚性图像配准