阿尔茨海尔病情分类的多模态插补
人工智能
2026-01-30 v1
摘要
深度学习在预测神经退行性疾病（如阿尔茨海尔病）方面已取得成功，通常基于磁共振成像（MRI）。结合多种成像模态（如 T1 加权（T1）和扩散加权成像（DWI）扫描）可提高诊断性能。然而，完全的多模态数据集总是难以获得。我们采用条件去噪扩散概率模型对缺失的 DWI 扫描进行插补。我们进行大量实验，以评估此类插补是否提高了单模态和双模态深度学习模型在三类阿尔茨海尔病分类（认知正常、轻度认知障碍、阿尔茨海尔病）准确性。我们观察到对于多种插补配置，尤其是对少数类敏感的指标，均实现了显著改善。
引用
@article{arxiv.2601.21076,
title = {Multi-modal Imputation for Alzheimer's Disease Classification},
author = {Abhijith Shaji and Tamoghna Chattopadhyay and Sophia I. Thomopoulos and Greg Ver Steeg and Paul M. Thompson and Jose-Luis Ambite},
journal= {arXiv preprint arXiv:2601.21076},
year = {2026}
}