شناسایی بیماری آلزایمر با استفاده از شبکه‌ی عصبی عمیق پیچشی از روی تصاویر mri

بیماری آلزایمر یک اختلال عصبی مرتبط با عملکرد مغز است که با زوال عقل و اختلال عملکرد عصبی همراه است. این بیماری بر حافظه، الگوهای رفتاری وقدرت استدلال منطقی افراد تاثیر می‌گذارد. بیماری آلزایمر یک بیماری صعب العلاج است که عمدتا افراد بالای 40 سال را مبتلا می‌کند. هدف این پژوهش ایجاد یک سیستم قابل اعتماد، کارآمد و بهینه برای طبقه‌بندی زودهنگام بیماری آلزایمر با استفاده از رویکرد استخراج خودکار ویژگی‌های عمیق است .در این پژوهش، ما یک معماری عمیق پیچشی را برای تشخیص بیماری آلزایمر از روی تصاویر تشدید مغناطیسی پیشنهاد می‌کنیم. این مدل‌ پیشنهادی با وجود پارامترهای بسیار کمی که در مجموع لایه‌های خود دارد، به خوبی قادر است که تمامی مراحل بیماری آلزایمر را از یکدیگر متمایز کند. در همین راستا در این پژوهش از مجموعه داده تصاویر تشدید مغناطیسی موجود در پایگاه داده‌ای kaggle استفاده کرده‌ایم. این مجموعه داده به صورت خام دارای عدم تعادل طبقاتی قابل توجه‌ای ‌است. بنابراین ما مقابله با این مشکل از تکنیک بیش‌نمونه برداری مصنوعی برای ایجاد یک توزان طبقاتی استفاده می‌کنیم. مدل عمیق پیچشی ما با وجود دسته‌های نامتعادل به خوبی قادر است که مشکل سوگیری به سمت نمونه‌های اکثریت را بهبود ببخشد. شبکه‌های پیشنهادی با استفاده از معیارهای ذکر شده با دیگر شبکه‌های ادبیات تحقیق که دارای میلیون‌ها برابر پارامتر بیشتر هستند ارزیابی شده و نتایج آنها با مدل پیشنهادی ما مقایسه خواهد شد. شبکه پیشنهادی ما با روش smote دارای نرخ دقت99.06% ، امتیاز f1 %99.05، صحت 99.10% و یادآوری 98.98% است. نتایج شبیه‌سازی نشان می‌دهد که شبکه مطرح شده پیشنهادی از سایر مدل‌های موجود در روش‌های پیشین در تمام معیارهای ارزیابی عملکرد بهتری دارد.

deep convolutional neural network-based detection of alzheimer's disease using mri imaging

alzheimer s disease is a neurological disorder that pertains to brain function and is closely associated with dementia. this condition adversely impacts memory, behavioral patterns, and logical reasoning abilities of individuals. alzheimer s, a malady for which there is currently no cure, primarily afflicts individuals aged 40 and above. early diagnosis of alzheimer s is of paramount importance in effectively managing the disease s progression. therefore, the core objective of this research is to construct an efficient diagnostic system within the domain of deep learning, with a specific focus on early detection of this condition through the utilization of an automated deep feature extraction approach. in this study, we propose a deep convolutional architecture for diagnosing alzheimer s disease based on magnetic resonance images. the deep convolutional model presented in this study showcases the ability to differentiate between all stages of alzheimer s disease while utilizing a parsimonious set of parameters. to train and assess the performance of our proposed deep model, we utilized the magnetic resonance image dataset from the kaggle database. it is worth noting that this dataset initially exhibits a significant class imbalance. to tackle this challenge, we implemented smote to achieve class balance within the dataset. the proposed deep model, in addition to achieving optimal performance with smote, does not exhibit any bias toward the majority class samples despite the imbalanced distribution of categories. our proposed deep network, coupled with the smote method, attains an impressive accuracy rate of 99.06%, an f1-score of 99.05%, an accuracy of 99.10%, and a recall rate of 98.98%. according to the results obtained, the deep model introduced in this research outperforms previously employed methods in terms of the evaluation criteria adopted for this study.