fMRI的原理是利用磁共振造影来测量神经元活动所引发的血液动力改变。利用fMRI的数据可以构建功能性连接网络（functionalconnectivitynetwork, FCNs），在连接水平上表征脑区之间的相互作用，并广泛应用于各种脑疾病分析上。FCNs中AD/MCI患者存在功能异常，近年来，基于rs-fMRI的FCNs被广泛应用于计算机辅助诊断中。基于fMRI的AD诊断方法主要分为基于图论的方法和基于机器学习的方法，其中基于图论的方法的重点是在构建的图上测试某些连接的特性，从而表征某些脑功能的异常。例如，已有研究证明，在AD/MCI患者的大脑中，海马体和其他区域的连接异常。这种方法的缺点是通常使用某种策略研究FCNs的连接性，不利于脑疾病的自动分类。基于机器学习的方法在网络中提取有意义的特征来表征每个诊断对象，然后对提取的特征进行分类。例如，Chen等利用Pearson积矩相关系数评估大脑中任意两个ROI之间的功能连接性，然后利用大规模网络（large-scalenetwork, LSN）分析对AD/MCI进行诊断。Wang等首先计算ROI对之间的相关系数，为每个对象构造一个特征向量。然后，利用正则化的线性判别分析（lineardiscriminantanalysis, LDA）进行降维、去噪，最后，利用AdaBoost分类器进行AD/MCI诊断。Jie等提取了局部连接和全局拓扑等多种网络信息来表征大脑网络，然后利用基于多核学习的方法融合多种异质特征进行MCI的诊断，最终的准确率为91.9%。此类方法有时需要对提取的特征向量进行特征选择，缺点是通常会忽略网络的结构信息。
二、基于多模态融合的AD智能诊断方法
近年来，基于多模态信息的AD智能诊断受到越来越多研究者的关注。传统的单模态数据包含的有用信息有限，限制了诊断模型的性能提升。多模态数据能够从不同层面获取更完备的信息，例如CT能够获取大脑的结构信息，MRI能够获取脑解剖结构信息，PET常用于获取大脑的代谢信息，fMRI有助于观察患者的主要病理学特征。因此，多模态数据能够实现不同模态之间的互补，有助于提升诊断模型的性能。现有的基于多模态数据融合诊断方法主要分为基于特征串联融合的方法、基于核学习的方法以及基于多任务学习的方法。
（一）基于特征串联的方法
该类方法思路简单，将来自多个模态的特征拼接成一个向量进行融合。Kohannim等将脑脊液、PET以及MR图像特征等多种特征通过串联的方式融合成一个向量，然后利用SVM进行分类。Walhovd等将多种不同的生物标记信息进行串联融合，然后利用回归模型分析老年痴呆和轻度认知障碍（mildcognitiveimpairment, MCI）的诊断状态和临床衰退状态。Westman等串联融合MRI和脑脊液两种模态的特征，并提出了一种层次化的模型，通过正交偏最小二乘来有效学习输入特征的内在结构信息。该类方法实现简单，但是很难获取多模态数据之间的关联信息，限制了性能的提升。
（二）基于核学习的融合方法
哦豁，小伙伴们如果觉得倾城文选不错，记得收藏网址 或推荐给朋友哦~拜托啦 (>.<)
传送门：