曾安，黄殷，潘丹，SONG Xiaowei

(1.广东工业大学计算机学院，广州 510006；2.广东省大数据分析与处理重点实验室，广州510006；3.广东建设职业技术学院现代教育技术中心，广州510440；4.广州市大智网络科技有限公司，广州 510000；5.西蒙弗雷泽大学影像技术实验室，温哥华V6B 5K3)

1 引 言

阿尔茨海默症(Alzheimer′s disease，AD)是一种不可逆转的脑退行性疾病，以目前的增长速度预计，至 2040 年全球病例数将高达八千多万例[1]。早期准确诊断和提前干预可减缓疾病发展的进程，改善患者的生活质量。

AD会引起大脑的某些变化[2]，如脑区萎缩或脑区代谢活性的变化，这些变化可以通过磁共振成像(magnetic resonance imaging，MRI)测量和正电子发射断层扫描(positron emission tomography，PET)[3-5]获取。轻度认知障碍(mild cognitive impairment，MCI)通常被认为是AD的临床前期，MCI是从正常对照(normal control，NC)到AD痴呆的过渡状态[6]。

MRI通常用于非侵入性地捕获区域性脑萎缩，帮助理解大脑解剖学变化，因此，被广泛用于AD诊断的模式识别方法研究[7-10]。此外，PET是一种功能性医学成像模式，也可以帮助医生诊断AD[11]。包括MRI和PET在内的多模态图像提供强大的成像模式，帮助理解与AD相关的解剖学和神经变化[12-15]，近期研究表明，多模态特征的组合可以提高分类性能[15-16]。

深度学习方法在医学图像特征提取方面的研究取得的了很大进展[17]，卷积神经网络(convolutional neural network, CNN)是深度学习的经典模型，与基于先验知识提取特征方法不同，CNN可以通过将特征提取结合到任务学习过程中，来发现数据中固有的判别表示。Adrien等[18]提出了一种基于深度学习的分类算法，用于结构MRI的AD早期诊断。另一种比较流行的深度学习模型循环神经网络(recurrent neural network, RNN)常用于含有时序的任务，Liu等[19]使用RNN来预测基于过去天气和辐射数据的背景辐射水平。……