شناسایی آلزایمر با استفاده از شبکه عصبی یادگیری عمیق

زمینه و هدف: بیماری آلزایمر شایع ترین شکل زوال عقل است که مهم ترین نمود آن اختلال در حافظه است. آسیب دیدگی مغزی و اختلال استرس پس از حادثه (حوادث ایجادشده برای جانبازان جنگ، رزمندگان و نیروهای مسلح)، نقش بسزایی در افزایش خطر بیماری آلزایمر دارد. ماهیت ابعاد بالای داده های عصبی، درعین حال تعداد کمی از نمونه های موجود، باعث می شود که یک سیستم تشخیص دقیق کامپیوتری ایجاد شود. هدف از انجام مطالعه حاضر به کارگیری شبکه های عصبی یادگیری عمیق برای ایجاد یک سیستم خودکار تشخیص بیماری می باشد.مواد و روش ها: مطالعه حاضر، بر روی 200 نمونه تصاویر مغزی جانبازان جنگ توسط نرم افزار پایتون انجام شده است. در مدل پیشنهادی این پژوهش 70% از تصاویر پایگاه داده برای آموزش و 30% تصاویر پایگاه داده برای آزمون انتخاب شدند. در مرحله اول آموزش از یادگیری عمیق با شبکه کانولوشن برای استخراج ویژگی سپس در مرحله دوم به منظور طبقه بندی وضعیت سلامت بر پایه ویژگی های یاد گرفته شده می باشد.یافته ها: نتایج حاصل از خروجی تجزیه وتحلیل شده و با روش های ارائه شده در مطالعات قبلی مقایسه شده است. روش پیشنهادی، دقت تشخیص بالاتری دارد که نسبت به روش های موجود باعث افزایش بیش از 10% در دقت تشخیص در بسیاری از موارد گردیده است.نتیجه گیری: نتایج این پژوهش نشان داد که استفاده از روش های هوشمند بر مبنای یادگیری عمیق می تواند با دقت مطلوبی بیماری آلزایمر را تشخیص دهد. همچنین از الگوریتم های استفاده شده در این تحقیق را می توان در سایر امور مدیریتی، نظامی و دفاعی نیز استفاده کرد.

An Intelligent Method of Alzheimer's disease Using Deep learning

Aim and Background: Alzheimer chr('39')s disease is the most common form of dementia which has caused disorder in memory. Cerebral palsy and posttraumatic stress disorder (veterans of war, warriors, armed forces) play an important role in increasing the risk of Alzheimerchr('39')s disease. The nature of the large dimensions of neural data, as well as the small number of available samples, make for an accurate computer diagnostic system. The aim of this study was to apply deep neural networks to develop an automatic disease diagnosis system.Methods and Materials: In this research, studies on magnetic resonance imaging of war veterans are done by python Software. In the proposed model, in the proposed model, 10% of the images of the data base were selected for training. In the first stage, the training is from deep learning with Convolutional network to extract the features, then in the second stage, in order to classify the health status based on the learned features.Findings: The results of the analysis are also compared with the results presented in previous Studies. The proposed method has higher detection accuracy than the existing Ones, which increases the accuracy of detection in many cases.Conclusions: The results of this study showed that using intelligent methods based on deep learning can accurately diagnose the disease.