基于通道注意力与图注意力网络的脑部影像分类研究

摘要

针对阿尔茨海默病（AD）与认知正常（CN）患者的脑部影像分类问题，本文提出一种基于通道注意力与图注意力网络的脑部影像分类模型．首先对原始DTI影像进行标准化预处理与张量拟合，获得三维FA图，随后沿轴向逐层切片，并应用双线性插值法将所有切片统一重采样到相同的大小，在此基础上，设计了通道注意力卷积模块，通过并行卷积提取空间细节特征，同时应用自适应核长的通道间注意力机制动态重标定通道权重，有效学习并压缩局部纹理特征，经全连接层映射得到特征向量并作为后续图中的节点嵌入．然后，依据切片的空间连通性构建邻接矩阵，将切片视为图中的节点，并将节点特征向量与邻接矩阵组成图数据，输入三层堆叠的图注意力卷积层，通过可学习的注意力系数逐层聚合相邻及远邻切片信息，实现跨切片全局结构的融合．最终，经全局平均池化与全连接层输出分类结果．实验结果表明，本文提出的方法不仅在准确度和稳定性上优于传统影像分类模型，还验证了局部-全局注意力架构的优势，提供了一种从切片到图信号转换的新思路．

关键词

医学图像 / 脑部影像分类 / 深度学习 / 注意力机制 / 图卷积神经网络