تشخیص زودهنگام بیماری آلزایمر با استفاده از تصویرسازی تشدید مغناطیسی مبتنی بر شبکه عصبی کانولوشنی و منطق فازی

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 379

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ICSS-24-3_006

تاریخ نمایه سازی: 25 بهمن 1401

چکیده مقاله:

مقدمه: بیماری آلزایمر یک بیماری مغزی پیش رونده و غیرقابل برگشت است که به آرامی حافظه و قدرت تفکر را از بین برده و حتی توانایی انجام کارهای ساده را از فرد می گیرد. تشخیص زودهنگام آلزایمر می تواند به بیماران مبتلا به این بیماری کمک کند تا با تغییر سبک زندگی خود روند پیشرفت این بیماری را کاهش دهند. بررسی تصاویر MRI، به تشخیص بیماری آلزایمر کمک شایانی می کند. روش کار: در این مقاله به تشخیص زودهنگام بیماری آلزایمر با استفاده از تصاویر MRI به کمک شبکه عصبی کانولوشنی و منطق فازی پرداخته می شود. در این راستا، پس از استخراج ویژگی­ های مناسب از تصاویر MRI، از شبکه عصبی کانولوشنی استفاده خواهد شد. به منظور بهبود دقت روش پیشنهادی، از یک لایه فازی بین لایه ادغام و لایه کاملا هم بند استفاده می شود تا با بهره گرفتن از درجه تعلق داده ها به هر کدام از دو دسته، باعث تشخیص دقیق افراد سالم و مبتلا به آلزایمر شود. یافته­ ها: نتایج آزمایشات نشان می دهد که روش پیشنهادی به ترتیب با دقت، صحت، فراخوانی و آماره F، ۶۱/۹۹، ۵۱/۹۶، ۳۲/۹۵ و ۶۱/۹۵ نسبت به دیگر روش ها از کارایی بهتری برخوردار است. نتیجه­ گیری: نتیجه­ گیری می شود که مدل پیشنهادی با استفاده از شبکه عصبی کانولوشنی از دقت بالایی در تشخیص بیماری آلزایمر برخوردار است به علاوه استفاده از دسته بندی فازی دقت مدل را به طور قابل توجهی افزایش داده است.

نویسندگان

حسین پورقلی

Master Student of Computer Engineering, Department of Computer Engineering, Fouman and Shaft Branch, Islamic Azad University, Fouman, Iran

الهام عسکری

Assistant Professor of Computer Engineering, Department of Computer Engineering, Fouman and Shaft Branch, Islamic Azad University, Fouman, Iran

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Abate G, Vezzoli M, Polito L, Guaita A, Albani D, ...
  • Goenka N, Tiwari S. Deep learning for Alzheimer prediction using ...
  • Madar IH, Sultan G, Tayubi IA, Hasan A, Pahi B, ...
  • Salehi A. W, Baglat P, Sharma BB, Gupta G, Upadhya ...
  • Turandaz Kenari M. Provide a new way to diagnose Alzheimer's ...
  • Naser S. Design and implementation of Alzheimer's disease prevention circuit ...
  • Rezaii Behtar F, Sadeghi Bigham B, Kamali K. Prediction of ...
  • Ertek G, Tokdil B, Günaydın I. Risk factors and identifiers ...
  • Rochoy M, Bordet R, Gautier S, Chazard E. Factors associated ...
  • Balamurugan M, Nancy A, Vijaykumar S. Alzheimer’s disease diagnosis by ...
  • Spedding AL. A data mining approach for automated classification of ...
  • Labib NM, Badawy MS. A proposed data mining model for ...
  • Li R. Data mining and machine learning methods for dementia ...
  • Bang S, Son S, Roh H, Lee J, Bae S, ...
  • Bhagyashree S. Review on the method of diagnosing Alzheimer's disease ...
  • Li K, O'Brien R, Lutz M, Luo S. A prognostic ...
  • Napoles G, Grau I, Concepcion L, Koumeri L, Papa J. ...
  • Concepcion L, Napoles G, Falcon R, Vanhoof K, Bello R. ...
  • Askari E, Setarehdan SK, Sheikhani A, Mohammadi MR, Teshnehlab M. ...
  • El-Dahshan ES, Hosny T, Salem AB. Hybrid intelligent techniques for ...
  • Basaia S, Agosta F, Wagner L, Canu E, Magnani G, ...
  • Liu M, Cheng D, Yan W. Classification of Alzheimer’s disease ...
  • Zeng N, Qiu H, Wang Z, Liu W, Zhang H, ...
  • Shi J, Zheng X, Li Y, Zhang Q, Ying S. ...
  • Singh S, Srivastava A, Mi L, Caselli RJ, Chen K, ...
  • Razavi F, Tarokh MJ, Alborzi M. An intelligent Alzheimer’s disease ...
  • Fuuzy M, Saba V, Dadashi A. Automatic detection of alzheimer ...
  • نمایش کامل مراجع