Alzheimer’s disease (AD) is a kind of neurological brain disease. It is an irretrievable, neurodegenerative brain disorder. There are no pills or drugs to cure AD. Therefore, an early diagnosis may help the physician to make accurate analysis and to provide better treatment. With the advent of computational intelligence techniques, machine learning models have made tremendous progress in brain images analysis using MRI, SPECT and PEI. However, accurate analysis of brain scans is an extremely challenging task. The main focus of this paper is to design a Computer Aided Diagnosis (CAD) system using Long-Term Short Memory (LSTM) to improve classification rate and determine suitable attributes that can differentiate AD from Healthy Control (HC) subjects. First, 3D PET images are preprocessed, converted into many groups of 2D images and then grouped into many subsets at certain interval. Subsequently, different features including first order statistical, Gray Level Co-occurrence Matrix and wavelet energy of all sub-bands are extracted from each group, combined and taken as feature vectors. LSTM is designed and employed for classifying PET brain images into HC and AD subjects based on the feature vectors. Finally, the developed system is validated on 18FDG-PET images collected from 188 subjects including 105 HC and 83 AD subjects from ADNI database. Efficacy of the developed CAD system is analyzed using different features. Numerical results revealed that the developed CAD system yields classification accuracy of 98.9% when using combined features, showing outstanding performance.

阿尔茨海默病（AD）是一种神经性脑部疾病。这是一种无法治愈的神经退行性脑部疾病。没有药丸或药物可以治愈 AD。因此，早期诊断可以帮助医生进行准确的分析并提供更好的治疗。随着计算智能技术的出现，机器学习模型在使用 MRI、SPECT 和 PEI 的大脑图像分析方面取得了巨大进步。然而，准确分析脑部扫描是一项极具挑战性的任务。本文的主要重点是设计一个使用长期短记忆 (LSTM) 的计算机辅助诊断 (CAD) 系统，以提高分类率并确定可以区分 AD 与健康控制 (HC) 受试者的合适属性。首先，对 3D PET 图像进行预处理，转换为多组二维图像，然后按一定间隔分组为许多子集。随后，从每组中提取不同的特征，包括一阶统计、灰度共生矩阵和所有子带的小波能量，组合并作为特征向量。LSTM 被设计并用于基于特征向量将 PET 大脑图像分类为 HC 和 AD 主题。最后，开发的系统在从 ADNI 数据库中收集的 188 名受试者（包括 105 名 HC 和 83 名 AD 受试者）收集的 18FDG-PET 图像上进行验证。使用不同的功能分析开发的 CAD 系统的功效。数值结果表明，所开发的 CAD 系统在使用组合特征时分类准确率为 98.9%，表现出优异的性能。从每组中提取不同的特征，包括一阶统计、灰度共生矩阵和所有子带的小波能量，组合并作为特征向量。LSTM 被设计并用于基于特征向量将 PET 大脑图像分类为 HC 和 AD 主题。最后，开发的系统在从 ADNI 数据库中收集的 188 名受试者（包括 105 名 HC 和 83 名 AD 受试者）收集的 18FDG-PET 图像上进行验证。使用不同的功能分析开发的 CAD 系统的功效。数值结果表明，所开发的 CAD 系统在使用组合特征时分类准确率为 98.9%，表现出优异的性能。从每组中提取不同的特征，包括一阶统计、灰度共生矩阵和所有子带的小波能量，组合并作为特征向量。LSTM 被设计并用于基于特征向量将 PET 大脑图像分类为 HC 和 AD 主题。最后，开发的系统在从 ADNI 数据库中收集的 188 名受试者（包括 105 名 HC 和 83 名 AD 受试者）收集的 18FDG-PET 图像上进行验证。使用不同的功能分析开发的 CAD 系统的功效。数值结果表明，所开发的 CAD 系统在使用组合特征时分类准确率为 98.9%，表现出优异的性能。组合并作为特征向量。LSTM 被设计并用于基于特征向量将 PET 大脑图像分类为 HC 和 AD 主题。最后，开发的系统在从 ADNI 数据库中收集的 188 名受试者（包括 105 名 HC 和 83 名 AD 受试者）收集的 18FDG-PET 图像上进行验证。使用不同的功能分析开发的 CAD 系统的功效。数值结果表明，所开发的 CAD 系统在使用组合特征时分类准确率为 98.9%，表现出优异的性能。组合并作为特征向量。LSTM 被设计并用于基于特征向量将 PET 大脑图像分类为 HC 和 AD 主题。最后，开发的系统在从 ADNI 数据库中收集的 188 名受试者（包括 105 名 HC 和 83 名 AD 受试者）收集的 18FDG-PET 图像上进行验证。使用不同的功能分析开发的 CAD 系统的功效。数值结果表明，所开发的 CAD 系统在使用组合特征时分类准确率为 98.9%，表现出优异的性能。使用不同的功能分析开发的 CAD 系统的功效。数值结果表明，所开发的 CAD 系统在使用组合特征时分类准确率为 98.9%，表现出优异的性能。使用不同的功能分析开发的 CAD 系统的功效。数值结果表明，所开发的 CAD 系统在使用组合特征时分类准确率为 98.9%，表现出优异的性能。