تبدیل موجک گسسته دوبعدی و شبکه عصبی کانولوشنیبرای تشخیص بیماری آلزایمر

آلزایمر یک اختلال مغز ی پ یشرونده و غیرقابل برگشت است و ارائه یک ابزار تشخیص دقیق در مراحل اولیه برایجلوگیری از پیشرفت بیماری حیاتی است. در این مقاله، از ترکیب تبدیل زمان – فرکانس و یادگیری عمیق برای تشخیص مراحل آلزایمر در تصاویر تصویربرداری رزونانس مغناطیسی MRI استفاده شده است. برای این منظور، بعد از پیش پردازش تصاویر، تبدیل موجک گسسته D-DWT۲ یک مرحله ای به تصاویر MRI اعمال می شود. در ادامه، هر کدام از چهار زیرباند به دست آمده، از شبکه عصبی کانولوشنی عمیق عبور داده می شوند تا ویژگی های عمیق است خراج شوند. در نهایت ویژگی های عمیق هرکدام از زیرباندها ترکیب می شوند تا به طبقه بند K- نزدیک ترین همسایه KNN اعمال شوند. سه سناریوی مختلف باینری برای ارزیابی دقت روش پیشنهادی در پایگاه داده ADNI در نظر گرفته شده است. نتایج طبقه بندی بیانگر عملکرد خوب روش پیشنهادی در تشخیص مراحل مختلف بیماری آلزایمر است.

کلیدواژه ها:

بیماری آلزایمر ، شدت بیماری ، تبدیل موجک گسسته ، طبقه بند Knn ، شبکه عصبی کانولوشنی