طبقه بندی بیماری آلزایمر مبتنی بر یادگیری عمیق با استفاده از MRI مغز

آلزایمر، یک اختلال مغزی شناخته شدهاست که در حال حاضر هنوز درمانی ندارد. با این حال، تشخیص زودهنگام بیماریمیتواند به بیمار کمک کند تا درمان مناسب را دریافت کند و روند پیشرفت بیماری را کاهش دهد. در تصویربرداری پزشکی،روشهای یادگیری عمیق به طور گسترده برای کمک به متخصصان پزشکی در تشخیص بیماری آلزایمر برای طبقهبندی ومراحل بیماری آلزایمر استفاده شدهاست. این مقاله، عملکرد طبقهبندی معماری یادگیری عمیق مانند MobileNetV۲ ،ResNet-۱۰۱ ، DenseNet-۱۲۱ و مدل شبکه عصبی کانولوشنال اصلاحشده پیشنهادی) CNN ( را با الهام از شبکهVGG۱۶ با استفاده از مجموعه دادههای تصویربرداری تشدید مغناطیسی مغز ) MRI ( از Kaggle مقایسه میکند. همچنینعملکرد مدل بر اساس دقت، صحت، نرخ فراخوانی و امتیاز F۱ ارزیابی میشود و نتایج بهدستآمده نشان میدهد که۵۲ درصد، نرخ فراخوانی ۵۸ .. طبقهبندی بیماری آلزایمر با استفاده از مدل پیشنهادی این مقاله، دقیقتر از مدل دیگر با دقت ۲۹درصد، صحت ۵۸ درصد و امتیاز F۱ ۵۸ درصد است. در این مقاله، با موفقیت ثابت کرد که کنارگذاشتن برخی بخشها درمدل CNN ، میتواند دقت مدل را بهبود بخشد و مدت زمان آموزش مدل را کاهش دهد و بینشهای ارزشمندی برایتشخیص تصویر پزشکی و تحقیقات آینده ایجاد کند.

کلیدواژه ها:

آلزایمر ، یادگیری عمیق ، یادگیری ماشین ، تصویربرداری پزشکی ، هوش مصنوعی.