Multi-modal neuroimaging feature fusion for diagnosis of Alzheimer’s disease

计算机科学 人工智能 神经影像学 模态(人机交互) 融合 保险丝(电气) 模式识别(心理学) 传感器融合 特征(语言学) 过程(计算) 机器学习 利用 数据挖掘 情态动词 工程类 医学 哲学 电气工程 精神科 操作系统 化学 高分子化学 语言学 计算机安全
作者
Tao Zhang,Mingyang Shi
出处
期刊:Journal of Neuroscience Methods [Elsevier]
卷期号:341: 108795-108795 被引量:61
标识
DOI:10.1016/j.jneumeth.2020.108795
摘要

Compared with single-modal neuroimages classification of AD, multi-modal classification can achieve better performance by fusing different information. Exploring synergy among various multi-modal neuroimages is contributed to identifying the pathological process of neurological disorders. However, it is still problematic to effectively exploit multi-modal information since the lack of an effective fusion method. In this paper, we propose a deep multi-modal fusion network based on the attention mechanism, which can selectively extract features from MRI and PET branches and suppress irrelevant information. In the attention model, the fusion ratio of each modality is assigned automatically according to the importance of the data. A hierarchical fusion method is adopted to ensure the effectiveness of Multi-modal Fusion. Evaluating the model on the ADNI dataset, the experimental results show that it outperforms the state-of-the-art methods. In particular, the final classification results of the NC/AD, SMCI/PMCI and Four-Class are 95.21 %, 89.79 %, and 86.15 %, respectively. : Different from the early fusion and the late fusion, the hierarchical fusion method contributes to learning the synergy between the multi-modal data. Compared with some other prominent algorithms, the attention model enables our network to focus on the regions of interest and effectively fuse the multi-modal data. Benefit from the hierarchical structure with attention model, the proposed network is capable of exploiting low-level and high-level features extracted from the multi-modal data and improving the accuracy of AD diagnosis. Results show its promising performance.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
小猫爬楼梯完成签到,获得积分10
2秒前
Amazing完成签到 ,获得积分10
3秒前
320me666完成签到 ,获得积分10
4秒前
4秒前
6秒前
CodeCraft应助屈超采纳,获得10
8秒前
肖肖完成签到,获得积分10
10秒前
量子L发布了新的文献求助10
10秒前
10秒前
Wanghe发布了新的文献求助10
15秒前
量子L完成签到,获得积分10
18秒前
20秒前
SciGPT应助bofu采纳,获得10
22秒前
shaobing8592发布了新的文献求助10
23秒前
shenmo18完成签到,获得积分10
24秒前
24秒前
战场原荡漾完成签到,获得积分10
25秒前
DD完成签到 ,获得积分10
28秒前
深情安青应助Wanghe采纳,获得50
29秒前
屈超发布了新的文献求助10
30秒前
小秦秦完成签到 ,获得积分10
32秒前
胖子完成签到,获得积分10
32秒前
33秒前
光亮的冰薇完成签到 ,获得积分10
34秒前
zhuizhui完成签到,获得积分10
34秒前
Li完成签到 ,获得积分10
35秒前
37秒前
专注世界发布了新的文献求助10
37秒前
唐画发布了新的文献求助10
39秒前
zhuizhui发布了新的文献求助10
39秒前
爱吃烤苕皮完成签到,获得积分10
39秒前
40秒前
温柔的怜容完成签到,获得积分10
40秒前
FashionBoy应助歪比巴卜采纳,获得10
42秒前
wankai发布了新的文献求助10
42秒前
云游归尘发布了新的文献求助10
43秒前
bofu发布了新的文献求助10
44秒前
44秒前
Xiaoyuan应助爱马仕采纳,获得10
45秒前
45秒前
高分求助中
Natural History of Mantodea 螳螂的自然史 1000
进口的时尚——14世纪东方丝绸与意大利艺术 Imported Fashion:Oriental Silks and Italian Arts in the 14th Century 800
Glucuronolactone Market Outlook Report: Industry Size, Competition, Trends and Growth Opportunities by Region, YoY Forecasts from 2024 to 2031 800
A Photographic Guide to Mantis of China 常见螳螂野外识别手册 800
Zeitschrift für Orient-Archäologie 500
Autoregulatory progressive resistance exercise: linear versus a velocity-based flexible model 500
The Collected Works of Jeremy Bentham: Rights, Representation, and Reform: Nonsense upon Stilts and Other Writings on the French Revolution 320
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 物理化学 催化作用 细胞生物学 免疫学 冶金
热门帖子
关注 科研通微信公众号,转发送积分 3344908
求助须知:如何正确求助?哪些是违规求助? 2971767
关于积分的说明 8650642
捐赠科研通 2651944
什么是DOI,文献DOI怎么找? 1452307
科研通“疑难数据库(出版商)”最低求助积分说明 672478
邀请新用户注册赠送积分活动 662014