FSE-CNN：基于神经通路与空间尺度几何证据的阿尔茨海默病跨队列无源分类方法

《Fractal and Fractional》：FSE-CNN: Fusion of Training-Trajectory Neural Evidence and Spatial-Scale Morphology for Cross-Cohort Brain MRI Classification

　　

摘要

结构磁共振成像为阿尔茨海默病（AD）相关认知障碍的表征提供了支持。然而，在源数据无法回顾且排除目标侧适应的情况下，现有的跨队列AD分类方法在应对采集与人群偏移方面仍然受限。具体而言，当前的跨队列AD分类可能未充分利用从源数据中学习的多样疾病相关信息，而对区域性、尺度依赖性灰质形态的显式表征仍然有限。为弥补这些不足，我们提出了用于AD相关认知状态无源跨队列分类的FSE-CNN方法。首先，神经通路从源训练过程中保留的模型状态中推导决策证据，其推理配置完全由源数据确定。其次，空间尺度几何证据编码模块通过受试者相对空间组织和有限物理尺度来表征灰质形态，为跨队列分类提供互补的几何证据。最后，所获得的神经证据和几何证据通过协议特定的融合策略相结合。我们在两个跨队列协议上评估了FSE-CNN。在OASIS-2 → OASIS-1上，FSE-CNN达到了83.48%的准确率、85.14%的平衡准确率和88.60%的AUC，分别以1.70、1.26和0.39个百分点超过Harmonizing Flows。在ADNI → OASIS-2上，该方法达到了85.79%的准确率、85.55%的平衡准确率和85.03%的AUC，对应的提升幅度分别为0.71、0.67和0.21个百分点。总体而言，这些结果证明了FSE-CNN在跨队列AD相关认知状态分类中的有效性。