基于 MRI 和 fMRI 的动态与静态神经成像深度学习：阿尔茨海默病分析中的多模态集成
计算机视觉与模式识别
2026-03-17 v1 机器学习
摘要
磁共振成像 (MRI) 提供详细的结构信息，而功能磁共振成像 (fMRI) 捕捉脑部的时序活动。本文提出一种多模态深度学习框架，用于 Alzheimer Disease (AD)、轻度认知障碍和正常认知状态的多类分类。结构特征通过 3D 卷积神经网络从 MRI 中提取，时序特征则通过循环神经网络从 fMRI 序列中学习。这些表示被融合以实现联合空间-时序学习。在小规模配对 MRI-fMRI 数据集 (29 名受试者) 上进行实验，分别进行和不进行数据增强。结果表明，数据增强在多模态 3DCNN-LSTM 模型中显著提升了分类的稳定性和泛化能力，尤其对于大规模单模态 MRI 数据集，增强方法效果不佳。这些发现突显了在神经成像基础的 AD 分类中，数据集规模和模态性质在设计数据增强策略时的重要性。
引用
@article{arxiv.2603.13367,
title = {Multimodal Deep Learning for Dynamic and Static Neuroimaging: Integrating MRI and fMRI for Alzheimer Disease Analysis},
author = {Anima Kujur and Zahra Monfared},
journal= {arXiv preprint arXiv:2603.13367},
year = {2026}
}