15、脑疾病诊断中的先进算法：从白质高信号分割到阿尔茨海默病诊断

脑疾病诊断中的先进算法：从白质高信号分割到阿尔茨海默病诊断

在脑疾病诊断领域，准确的影像分析至关重要。本文将介绍两种先进的算法，一种用于白质高信号（WMH）分割，另一种用于阿尔茨海默病（AD）诊断。

白质高信号（WMH）分割算法

在WMH分割方面，提出了一种新颖的半监督大间隔算法。该算法在有限的可用标记数据监督下，能更好地发现可疑异常值。其框架可联合学习大间隔分类器和标签分配，并通过迭代算法有效求解。

为了验证该算法的有效性，在包含280个来自SMC或ND受试者的MR图像数据库上进行了WMH分割实验。实验结果在定性可视化和定量相关分数上都很可观，显示了该模型相对于其他方法的有效性和竞争力。

以下是WMH分割结果与Fazekas分数的相关性表格：
| 方法 | Corr | Corr (1,2,3) |
| ---- | ---- | ---- |
| LGA | 0.5902 | 0.6532 |
| LPA | 0.6977 | 0.7661 |
| SSLM | 0.7540 | 0.8333 |

从表格中可以看出，SSLM方法在相关性上表现最优。

另外，还给出了不同Fazekas分数对应的（WMH体积/白质体积）结果图，直观展示了不同方法在不同Fazekas分数下的表现。

阿尔茨海默病（AD）诊断算法

在AD诊断方面，提出了一种将稀疏回归模型与深度卷积神经网络（CNN）相结合的新框架——深度集成稀疏回归网络（DeepESRNet）。

研究背景

神经影像分析面临数据高维但样本少的挑