毕业设计《Python-基于多模态融合的脑疾病（阿尔兹海默症）智能诊断方法》+源代码+文档说明

# 基于多模态融合的脑疾病智能诊断方法 > 此项目为本科毕业设计 ## 运行环境（AutoDL云服务器） 14核 Intel(R) Xeon(R) Gold 6330 CPU 24GB RTX3090 PyTorch 1.10.0 Monai（实现数据增强、数据集读取） Visual Studio Code ## 1.数据集 ### 数据集概况 项目数据集来自ANDI（Alzheimer's Disease Neuroimaging Initiative）数据库。该数据库是由美国国立卫生研究院于2003年资助创建的[14]，公开了诸如MRI、PET以及相关诊断信息，以供研究人员进行阿尔兹海默症的诊断研究。有关最新信息，请参阅http://www.adni-info.org。 实验数据集的2个分类分别为AD（Alzheimer’s Disease）和CN（Cognitively Normal），本文从数据库中选取每个主题的MRI-T1和FDG-PET图像。通过筛选得到238个主题的多模态图像，其中，2个类别所对应的主题数分别为108名AD、130名CN。数据集各类别的信息统计见下表。 | | AD | CN | | :---------------------: | :--------: | :--------: | | 主题人数/人 | 108 | 130 | | 年龄（平均年龄±标准差） | 75.16±6.27 | 75.72±6.49 | | 性别（男/女） | 61/47 | 64/66 | ### 数据集预处理 数据集需经过AC-PC校正、偏置场校正以及颅骨剥离，以上操作均使用基于Matlab开发的软件SPM12（http://www.fil.ion.ucl.ac.uk/spm/）以及其CAT12工具箱（http://www.neuro.uni-jena.de/cat/）完成。 ## 2.Model 模型基于ResNet-18，将原有2D卷积核替换为3D卷积核，将MRI和PET输入并行的3D ResNet-18网络进行特征提取，将提取出的特征Concat实现融合，最后放入全连接层实现分类，模型结构如下：  ## 3.实验结果 <img src="/statistics/Accuracy.png" alt="image-20220603153058188" style="zoom:30%;" /> <img src="/statistics/Loss.png" alt="image-20220603153131521" style="zoom:30%;" /> <img src="/statistics/ROC_AUC_Curve.png" alt="image-20220603154919072" style="zoom:30%;" /> | AD:CN | | | | | | :-----: | :--------: | :--------: | :--------: | :--------: | | | ACC | AUC | F1-Score | Recall | | MRI | 0.9125 | 0.9323 | 0.9123 | 0.9129 | | PET | 0.8750 | 0.8708 | 0.8738 | 0.8729 | | MRI+PET | **0.9444** | **0.9463** | **0.9442** | **0.9463** | 可见，使用MRI+PET融合特征作为输入的准确率比使用MRI提取特征分类的准确率提高了3.21%，比使用PET提取特征分类的准确率提高了6.94%。