Resumen

Con el desarrollo de las tecnologías de inteligencia artificial, es posible utilizar computadoras para leer imágenes médicas digitales. Debido a que la enfermedad de Alzheimer (EA) tiene las características de una alta incidencia y alta discapacidad, ha atraído la atención de muchos académicos, y su diagnóstico y tratamiento se han convertido gradualmente en un tema candente. En este documento, se propone un método de diagnóstico multimodal para la EA basado en el shufflenet tridimensional (3DShuffleNet) y la red de análisis de componentes principales (PCANet). En primer lugar, los datos de imágenes de resonancia magnética estructural (sMRI) y resonancia magnética funcional (fMRI) se procesan previamente para eliminar la influencia resultante de las diferencias en el tamaño y la forma de la imagen de diferentes individuos, el movimiento de la cabeza, el ruido, y así sucesivamente. Luego, el ShuffleNet bidimensional (2D) original se desarrolla en tridimensional (3D), lo cual es más adecuado para los datos 3D de sMRI para extraer las

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Desarrollo; Tecnologías de inteligencia artificial; Computadora; Imágenes médicas digitales; Enfermedad de Alzheimer; Diagnóstico multimodal; 3DShuffleNet; PCANet; SMRI; FMRI; Características; KCCA; SVM
• Keywords:Development; Artificial intelligence technologies; Computer; Digital medical images; Alzheimers disease; Multimodal diagnosis; 3DShuffleNet; PCANet; SMRI; FMRI; Features; KCCA; SVM