7、利用机器学习对4D fMRI图像进行分类：聚焦计算与内存利用效率

利用机器学习对4D fMRI图像进行分类：聚焦计算与内存利用效率

1. 引言

在阿尔茨海默病（AD）分类中，大脑活动通过功能磁共振成像（fMRI）捕获的血氧水平依赖（BOLD）磁化来推导。活跃的大脑区域氧合丰富的血液流量更高，通过氧气与血红蛋白的结合使这些区域具有更强的磁性，从而产生更强的MRI信号。对受试者是否患有阿尔茨海默病（AD）、轻度认知障碍（MCI）或认知正常（CN）的分类，是基于聚合体素BOLD信号强度值的相关性。

fMRI中用于AD分类的体素大小通常为2 - 4毫米，在本研究中，受试者的fMRI数据被映射到分辨率为3.3毫米的MNI - 152脑模板。女性和男性的大脑体积平均分别为1130立方厘米和1260立方厘米，数据集的MNI - 152体素数量在31,000 - 35,000范围内。数据集最多有200个全脑时间样本，每个样本有48个64×64的体素切片，形成一个最多包含3900万个体素强度值的4D数据集，其中最多700万个值代表大脑体素。

许多机器学习（ML）方法通过聚合感兴趣区域（ROI）的体素信号，然后基于体素聚合的ROI - ROI相关性进行分类，来降低分类的计算复杂度。准确定义大脑区域、其功能和连接非常具有挑战性，存在多种用于研究结构和功能的分割方法，如解剖学、功能连接或层次聚类方法，旨在提供不同粒度的有意义分割。本研究使用静息态（RS）fMRI数据来评估功能连接并进行受试者分类，以独特的方式形成ROI，每个ROI的体素平均比使用所有解剖区域体素的方法少5倍，并以独特的方式聚合体素强度值进行ROI - ROI相关性计算。

主要贡献如下：
- 为每个AAL - 90区域定义局部ROI，由遍历MNI - 152脑模板边界框的单