تشخیص آلزایمر با استفاده از الگوریتم کارا بر پایه و تست های روانشناختی عصبیPET ،SMRI

بیماری آلزایمر (AD)، نوعی بیماری پیشرونده است که به سلول های عصبی حمله می کند و نتیجه آن از دست دادن حافظه، قدرت تفکر، توانایی زبان و تغییرات رفتاری می باشد. مرحله پیش رونده آن اختلال خفیف شناختی (MCI) نام دارد که حالتی گذرا قبل از زوال عقل است و بیماران دارای MCI امکان ابتلا به AD را دارند. تصویربرداری ساختاری تشدید مغناطیسی (sMRI) و برش نگاری با گسیل پوزیترون (PET)، روش هایی محبوب و غیرتهاجمی هستند که نقش مهمی را به منظور درک تغییرات ساختاری مغز مبتلایان به AD ایفا می کنند. ارزیابی های عصب روانشناختی، اطلاعاتی را در زمینه های مختلف شناختی (حافظه، توجه، عملکرد اجرایی و دیگر کاربردها) و همچنین ویژگی های عصبی-روانی و رفتاری ارائه می دهند. بنابراین، استفاده از تصویربرداری های عصبی و تستهای عصب روانشناختی بالینی اطلاعات کامل تری در تشخیص اولیه AD خواهند داشت. در سال های اخیر استفاده از شبکه های یادگیری عمیق به دلیل توانایی بسیار بالای آن در حل مسائل، توجه ویژه ای را در زمینه های پزشکی به خود اختصاص داده است. در این مطالعه طبقه بندی چند کلاسه MCI AD و HC با استفاده از حالت های مختلف PET ،SMRIو تست های عصب روانشناختی بر روی شبکه عصبی کانولوشنی یک بعدی پیشنهاد شده است. در ابتدا عملکرد طبقه بندی شبکه۱D-CNNبا لایه های مختلف بررسی شد که دقت ۹۱٫۶۳ درصد از معماری پیشنهادی به دست آمد. سپس با اعمال دو روش مختلف یادگیری جمعی بر روی شبکه عملکرد طبقه بندی بهبود داده شد. در روش اول با استفاده از تکنیک بسته بندی کردن و سپس ترکیب طبقه بند کننده ها دقت۱D-CNN ۹۲,۹۴ درصد در جداسازی همزمان حاصل شد. در روش دوم از اعتبارسنجی متقاطع ۵-لایه برای پیش آموزش شبکه هایAD-MCI-HC ۱D-CNNاستفاده شد و سپس مدل نهایی با روش های یادگیری انتقال و Integrate Stacking تشکیل داده شد که دقت ۹۶٫۵ درصد به دست آمد.

کلیدواژه ها:

بیماری آلزایمر ، طبقه بندی ، شبکه کانولوشنی یک بعدی ، یادگیری جمعی