یک روش شبکه عصبی پیچشی عمیق سبک و دقیق مبتنی برmri برای تشخیص و طبقه‌بندی بیماری آلزایمر

هدف بیماری آلزایمر، یک اختلال پیشرونده مغزی است که تشخیص به‌موقع آن برای مدیریت و درمان موثر ضروری است. این مطالعه یک شبکه عصبی پیچشی[1] (cnn) کارآمد، کم‌حجم و دقیق را برای طبقه‌بندی تصاویر mri مغز به چهار دسته مرتبط با آلزایمر ارائه می‌دهد. دو رویکرد اصلی برای طراحی روش در زمینه بهبود تشخیص، استفاده شده است: (1) پیش‌پردازش بهینه داده‌ها و (2) طراحی یک معماری سبک، کم‌حجم و دارای پیچیدگی کم شبکه عصبی پیچشی که به‌طور هم‌زمان دارای دقت خوب، کارایی محاسباتی و عملکرد عالی می باشد. مدل پیشنهادی به‌دقت 22/99 درصد، میانگین امتیاز f1 برابر با 99/0، ضریب همبستگی متیو[2] (mcc) برابر با 9870/0 و ضریب کاپا کوهن[3] (ckc) برابر با 9870/0 دست یافت. در این تحقیق، علاوه بر دقت، پیچیدگی مدل پیشنهادی، مقایسه اندازه مدل، زمان سپری‌شده، عملیات نقطه شناور در ثانیه[4] (flops) و پارامترهای قابل‌آموزش و غیرقابل‌آموزش روش پیشنهادی به‌طور کامل موردبررسی قرار گرفته است. این مدل با داشتن مزایای دقت بالا، کاهش flops، زمان اجرای سریع‌تر و نیاز به حافظه کمتر، در مقایسه با دیگر روش‌های یادگیری عمیق استفاده‌شده در مطالعات اخیر، عملکرد بهتری دارد. 

a lightweight and accurate deep convolutional neural network method based on mri for the diagnosis and classification of alzheimer's disease

the alzheimer's disease, a progressive brain disorder, necessitates timely detection for effective management due to the current diagnostic methods' limitations. the study presents an efficient convolutional neural network (cnn) designed for classifying brain magnetic resonance imaging (mri) images into four categories related to alzheimer's disease. to enhance diagnosis, this study proposes two distinct approaches at different stages: (1) using optimized data pre-processing; and (2) designing a lightweight cnn architecture with low complexity and fewer parameters that simultaneously possesses good accuracy, computational efficiency, and excellent performance. the proposed method achieved outstanding results, with a final accuracy of 99.22%, a macro average f1 score of 0.99, an mcc of 0.9870, and a cohen kappa score (cks) of 0.9870. in addition to accuracy, the complexity of the proposed model, including the comparison of model size, time elapsed, the number of flops, and the trainable and non-trainable parameters of the proposed method were also thoroughly investigated. this model, with the advantages of high accuracy, reduced flops, faster execution time, and lower memory requirements outperforms other deep learning methods used in recent studies.