基于解耦学习与特征蒸馏的缺失模态阿尔茨海默病诊断网络(MDSFD-Net)

　　本文提出了一种创新的MDSFD-Net模型，通过解耦学习（DI模块）和特征蒸馏（SFD模块）技术解决多模态阿尔茨海默病（AD）诊断中的缺失模态问题。该模型首次采用空间-通道模态解耦（SCMD）学习方案分离模态共享/特异性特征，并结合正则化知识蒸馏（R-KD）机制实现特征迁移，在ADNI数据集上显著提升了AD-CN分类和MCI进展预测的准确率。

　　

亮点

1). 我们在DI模块中提出了新颖的空间-通道模态解耦（SCMD）学习方案和共享约束目标，显式分离模态共享和模态特异性信息，并仅使用模态共享信息进行缺失模态特征补全。SCMD学习方案是首个实现模态特征解耦的工作；

2). 针对缺失模态的特异性特征，我们提出SFD模块将特异性特征从完整模态迁移到不完整模态。为了精确学习特异性特征，设计了R-KD机制以促进有效的信息传递；

3). 我们在ADNI数据集上进行了大量实验，结果表明我们的MDSFD-Net在缺失模态情况下显著优于最先进方法，在AD-CN分类和MCI进展预测中均实现了卓越性能。

结论

为解决多模态阿尔茨海默病（AD）诊断中的缺失模态挑战，本文提出了MDSFD-Net，其包含基于解耦的补全模块和特异性特征蒸馏模块。基于解耦的补全模块通过共享约束目标和空间-通道模态解耦学习来分离模态共享和模态特异性特征，这是首次从空间和通道维度解耦模态特异性特征的尝试。