2023.7电脑编程技巧与维护1概述为了更好地了解AD，相关的研究日益增多[1]，相关组织明确提出加大对AD的关注度。随着神经影像技术的飞速发展，关于AD分类取得了一定的成果[2]。原始高维医学图像本身带有无用特征的比重较大，严重影响计算机的计算速度，因此直接采用原始数据进行分类的方法计算成本高，不可取。需要进一步降低特征冗余度，或引入多源信息，使其符合当前研究的特征提取与选择的准则。2相关研究近年来的研究利用了该疾病的不同方面，即多种数据形式或多种可用于此任务的特征类型。这些特征通常是互补的，因为它们来自代表相同主题的不同测量。机器学习算法的表现一般取决于数据表示（或特征），因此特征提取成为分类框架中的关键步骤[3]。在使用多模态数据时，数据不完整的问题仍然是一个难点，且在不同的数据库中不同类型数据的可用度不同。这些研究使用高度可变的训练和测试数据集，混淆了方法之间分类的客观比较[4]。预处理后的可用特征数量非常大，且许多特征可能与AD引起的病理改变无关。因此，在一定程度上特征提取方法的选择限制了多类分类的通用性及其性能。3分级集成分类核磁共振成像（MRI）能清晰地显示颅内的各种组织，因此选取MRI的数据进行研究。在传统的研究中，需要从MRI图像的感兴趣区域（ROI）中手工提取AD特征，这种方法效果显著，但有很大的局限性。此外，现有的特征提取和分类的方法对AD、正常大脑和轻度认知障碍的分类精度还不够高。因此对自动诊断进行研究，提出一种基于多个切片的预测结果来提升病人分类的准确率的多层次集成框架，如图1所示。基金项目：2021年度广西高校中青年教师科研基础能力提升项目（2021KY0797）；2020年度广西高校中青年教师科研基础能力提升项目（2020KY21023）；2022年度广西高校中青年教师科研基础能力提升项目（2022KY0789）。作者简介：王如月（1993—），女，硕士，研究方向为图像处理；曾利，通信作者，硕士；王也，硕士。阿尔茨海默症的分级集成分类方法王如月，曾利*，王也（桂林航天工业学院计算机科学与工程学院，广西桂林541004）摘要：提出了一种基于多个切片的预测结果来提升病人分类准确率的分级集成框架，对象是阿尔茨海默症（AD）。首先对公开数据集中选取的AD、轻度认知障碍（MCI）和健康（NC）3类样本进行数据预处理，得到每类样本的单个个体相对应的数量的切片；其次用3种不同的方法对所有切片进行特征提取，得到不同维度及不同结构的图像特征；再次用两种不同的分...
