روشی برای تشخیص مرحله پیشرفت آلزایمر در تصاویرfmri مبتنی بر شبکه های عصبی چگال

بیماری آلزایمر یک وضعیت عصبی است که به تدریج توانایی‎های شناختی فرد مبتلا را مختل می‎کند. روش‎های مختلف تصویربرداری عصبی برای زیر نظر گرفتن فعالیت مغزی ارائه شده است. fmri در حالت استراحت یک روش تصویربرداری عصبی است که به طور گسترده برای مطالعه فعالیت مغز مرتبط با بیماری‎های عصبی مورد استفاده قرار گرفته است. در مطالعات پیشین تنها تشخیص آلزایمر از سالم یا نهایتا تشخیص سه کلاسه بیماری آلزایمر و اختلال شناختی خفیف mci و افرا سالم پرداخته شده است. روشهای مبتنی بر یادگیری عمیق یک راه کار مناسب برای تشخیص مراحل متعدد پیشرفت بیماری آلزایمر است. در این مقاله یک روش جدید مبتنی بر یادگیری عمیق برای طبقه‌بندی در شش مرحله آلزایمر با استفاده از rs-fmri پیشنهاد کرده است. در مدل پیشنهادی به کمک آنالیز مولفه‎های اصلی حجم داده‎های تصویری rs-fmri کاهش داده خواهد شد و پر اطلاع ترین مولفه‎های تصویری از تصاویر rs-fmri به این شبکه وارد خواهد شد. فرآیند یادگیری ویژگیها توسط dennet50 انجام شده و ویژگی‎های یادگرفته شده وارد یک شبکه عصبی تماما متصل برای تشخیص مرحله پیشرفت آلزایمر خواهد شد. نتایج مدل‌های پیشنهادی با استفاده از رویکرد اعتبارسنجی متقاطع k-fold مورد ارزیابی قرار گرفت و صحت متوسط 99% و دقت 98% ، نرخ فراخوانی 99% و معیار f 98% برای طبقه‌بندی چند کلاسه با استفاده از شبکه عصبی عمیق پیشنهادی ترکیب شده با آنالیز مولفه اصلی به دست آمد.