阿尔茨海默病（AD）是一种由Alois Alzheimer病理学家于1906年发现的常见脑部疾病（Hippius和Neund?rfer, 2003）。该疾病会逐渐影响记忆、思维和行为能力，最终患者会失去处理最简单任务的能力（Bondi, Edmonds和Salmon, 2017; Kosyreva, Sentyabreva, Tsvetkov和Makarova, 2022）。
阿尔茨海默病的主要病因尚不明确，但许多环境和遗传因素与该疾病的进展有关（Burns和Iliffe, 2009; Li, Feng, Sun, Hou, Han和Liu, 2022a）。尽管大多数患者为老年人，但也有年轻患者病例。全球范围内，医学研究指出阿尔茨海默病的发病率正在急剧上升，这引发了科学家们寻找解决方案的紧迫性（Burns和Iliffe, 2009; Li等人, 2022a）。
毫无疑问，在早期甚至任何阶段发现阿尔茨海默病都能帮助数百万人，并避免病情进一步恶化（Glover, 2011）。另一方面，研究人员已经开始使用计算机化实验，其中静息态功能性磁共振成像（rs-fMRI）图像被认为是理解人类大脑认知状态变化及其他异常过程的有效方法（Glover, 2011）。
基于rs-fMRI图像的阿尔茨海默病诊断研究在过去十年中有所增加。部分研究仅提供了统计计算/关系以及简单解释常见阿尔茨海默病症状的方法。例如，Issa等人（Issa, Peng和Issa, 2022）计算了LCOR参数，并比较了AD、MCI和HC病例的结果。Mascali等人（Mascali, DiNuzzo, Gili, Moraschi, Fratini, Maraviglia, Serra, Bozzali和Giove, 2015a）研究了AD、MCI和HC病例的功能连接性和低频波动幅度之间的关系。他们发现，在阿尔茨海默病患者中，这两个参数在前扣带回皮层和后扣带回皮层的所有频率带、颞叶皮层的0.01-0.027 Hz频率带以及皮下区域的0.027-0.073 Hz频率带都呈负相关。Bing等人（Bing, H., Q., N., Zh., Zh., L., L., W., X., Zh.和S., 2019）研究了脑灌注与其功能连接性（FC）之间的关系，发现灌注不足会导致异常的FC，从而影响AD、MCI和HC病例。Thiyagesh等人（S., T., R., H., C., I., M.和P., 2009）比较了阿尔茨海默病患者与健康人的视觉空间感知能力。
另一方面，大多数研究在疾病诊断中使用了人工智能（AI）技术（Khojaste-Sarakhsi, Haghighi, Ghomi和Marchiori, 2022），许多最新研究提出了二元分类系统，如Gao等人（Gao, Hu, Li, Lu, Li, Zhang和Xu, 2022）。他们提出了潜在空间表示（LSR）网络用于阿尔茨海默病的检测。该网络包括两个阶段：自动编码器和特征解析阶段，从rs-fMRI图像的动态功能连接性（FC）中提取高级特征。
为了提取空间和时间特征，采用了长短期记忆（LSTM）模型。在分类任务中，卷积神经网络（CNN）被用来区分不同的二元类别，包括正常对照（NC）/早期MCI（EMCI）、NC/AD、EMCI/晚期MCI（LMCI）和LMCI/AD，准确率分别为84.6%、95.1%和84.2%。Zhang等人（Zhang, Shams, Yu, Wang和Zhang, 2022）提取了动态功能连接性的成对相似性度量。少样本学习在早期MCI检测中实现了最高的准确率78%。Du等人（Du, Wang, Wang, Zhang, Xi, Zhang和Liu, 2023）改进了常用的皮尔逊相关系数（PC）度量，检测MCI患者的准确率为80%。
Odusami等人（Odusami, Maskeli, Dama?eviˇcius和Krilaviˇcius, 2021）提出了改进的ResNet18网络，并对EMCI/AD、LMCI/AD和MCI/EMCI组进行了二元分类，准确率分别为99.99%、99.95%和99.95%。Sethuraman等人（Sethuraman, Malaiyappan, Ramalingam, Basheer, Rashid和Ahmad, 2023）从rs-fMRI图像中选取了某些频率带，训练了一个动态神经功能深度集成网络用于AD/HC组的二元诊断，准确率为96.61%。Zamani等人（Zamani, Sadr和Javadi, 2022）使用图度量优化与神经网络结合，对EMCI病例与正常HC组进行了分类，平均准确率为94.55%。此外，Janghel（R.R.Janghel和Y.K.Rathore, 2021）、Buvaneswari（Buvaneswari和Gayathri, 2021）、Ahmad（Ahmad, Javed, Athar和Shahzadi, 2023）、Xue（Xue, Zhang, Zhang, Lee, Qiao和Shen, 2022）、Li（Li, Liu, Jiang, Liu和Lei, 2022b）以及Al-Hiyali（Al-Hiyali, Yahya, Faye, Sadiq, Naufal和Saad, 2022）的研究也提出了具有可接受结果的二元诊断系统。
目前，对于最新的多类诊断系统，许多研究提供的结果并不如二元诊断系统那么高。Gao等人（Gao等人, 2022）使用CNN实现了57.3%的准确率，用于区分NC、EMCI、LMCI和AD组。Wang等人（Wang, Wu, Li, Wu和Hancock, 2021）依赖于微典型和典型集成技术，其提出的网络系统在区分HC、EMCI、LMCI和AD组的准确率为82.35%。
Qureshi等人（Qureshi, Ryu, Song, Lee和Lee, 2019）在他们的研究中提取了功能连接性特征，然后进行了独立成分分析（ICA）计算。他们训练了三维CNN（3D-CNN）来根据痴呆严重程度对HC和两个AD组进行分类，总体准确率为92.3%。Amini等人（Amini, Pedram, Moradi和Ouchani, 2021）改进了深度CNN系统，用于预测AD的四个阶段：轻度、中度、中度和重度。他们在特征提取计算中使用了多任务特征和主成分分析（PCA），准确率为96.9%。
Parmar等人（Parmar, Nutter, Long, Antani和Mitraa, 2020b）依赖3D CNN进行特征提取和分类。通过较少的预处理步骤，他们提取了深度空间和时间特征，平均准确率约为96%，用于区分HC、LMCI、EMCI和AD组。Alorf等人（Alorf和Khan, 2022）从脑图像中提取了功能连接性指标，并使用了两种深度学习方法：堆叠稀疏自动编码器（SSAE）和脑连接图卷积网络（BC-GCN）。分类器被训练用于区分CN、SMC、EMCI、MCI、LMCI和AD组，SSAE和BC-GCN的准确率分别为77.13%和84.03%。
Shamrat等人（SHAMRAT, AKTER, AZAM, KARIM, GHOSH, TASNIM, HASIB, BOER和AHMED, 2023）提供了经过微调的CNN网络AlzheimerNet。在处理过程中，他们应用了CLAHE图像增强技术。他们的系统能够区分HC、MCI、EMCI、LMCI、主观记忆关切（SMC）和AD患者，取得了令人满意的结果。Chelladurai等人（Cheladurai, Narayan, Divakarachari和Loganathan, 2023）对fMRI图像应用了聚合超像素分割（SAS）技术，然后实施了Gabor和灰度共生矩阵（GLCM）计算以减少特征尺寸。多层感知器（MLP）分类器被训练用于区分HC、MCI、EMCI、LMCI和AD患者，取得了良好的结果。
Ramzan等人（Ramzan, Khan, Rehmat, Iqbal, Saba, Rehman和Mehmood, 2020）提出了深度ResNet-18架构用于分类HC、SMC、EMCI、MCI和AD组，平均准确率约为97.9%。Parmar等人（Parmar, Nutter, Long, Antani和Mitra, 2020a）在另一项研究中构建了一个基于fMRI图像的空间和时间数据的体积三维CNN诊断系统，准确率为96.67%。Xu等人（Xu, Luo和Yuan, 2022）依赖门控循环单元（GRU）来提高分类的鲁棒性，预测AD、MCI和HC的准确率分别为92.1%。Hsieh等人（Hsieh, Lefort-Besnard, Yang, Kuo和Lee, 2020）使用了改进的行为评分嵌入编码器网络（BSEN），这是一种具有特定版本的3D卷积自动编码器结构。两个不同的数据集被用于分类AD、MCI和HC，最高准确率分别为59.44%（Tripoliti, Fotiadis和Argyropoulou, 2011）。此外，一些研究结合了结构性MRI或功能性和结构性MRI数据来预测阿尔茨海默病，取得了良好的结果（Hojjati, Ebrahimzadeh和Babajani-Feremi, 2019; Sarraf, Sarraf, DeSouza, Anderson和Kabia, 2023; Khatri和Kwon, 2022; Hwang, Kim, Jung, Kim, Lee, Seo, Seong和Yoon, 2023; Nguyen, Clément, Planche, Mansencal和Coupé, 2023）。
与以往的研究相比，本文提出了一种基于rs-fMRI图像的新多类方法，用于预测AD、MCI和HC三个阶段。研究选用了公开的rs-fMRI数据库Mascali, DiNuzzo, Gili, Moraschi, Fratini, Maraviglia, Serra, Bozzali和Giove（2015b），并使用CONN工具箱进行数据去噪和预处理。
研究结合了体素级局部相干性（LCOR）和体素级内在连接对比度（ICC）参数进行特征提取。在分类中，构建了广域学习（BL）分类器。据我们所知，这是首次将BL分类器应用于此类任务，而且它实现了最高的平均准确率99.6%，用于区分AD、MCI和HC阶段。为了研究目的，结果不仅包括了AD和MCI的症状，还使用了蒙特利尔神经学研究所（MNI）坐标来准确定位这些症状在人脑中的位置。主要贡献包括：
1. 结合了两种体素级测量方法LCOR和ICC，提高了特征提取的可行性。
2. 据我们所知，这是首次在此类应用中使用BL分类器。尽管所提出的系统对两种深度学习分类器都显示出可接受且良好的结果，但BL分类器的表现更优。
3. 本研究在预测健康人、痴呆患者和阿尔茨海默病患者三种不同情况方面取得了良好结果。相比之下，许多最新研究仍依赖于二元分类。
4. 除了结果外，还提供了受影响脑区的MNI坐标及其功能，这为MCI和AD病例的共同症状提供了清晰的解释。
本文的其余部分安排如下：第二部分详细介绍了所提出的方法及其材料；第三部分详细展示了获得的结果并进行了深入讨论；最后是结论部分，总结了本文的总体贡献，并提出了未来的扩展方向。
