شناسایی بیماری آلزایمر با استفاده از شبکه ی عصبی عمیق پیچشی از روی تصاویر MRI

بیماری آلزایمر یک اختلال عصبی مرتبط با عملکرد مغز است که با عارضه زوال عقل همراه است. این بیماری بر حافظه، الگوهای رفتاری و قدرت استدلال منطقیافراد تاثیر می گذارد. آلزایمری ک بیمار ی صعب العلاج است که عمدتا افراد بالا ی ۴۰ سال به آن مبتلا می گردند. تشخیص زودهنگام بیماری آلزایمر برای درمان اینبیماری و کنترل موثر پیشرفت آن بسیار مهم است. در این راستا هدف این پژوهش، ایجاد یک سیستم تشخیصی کارآمد برای طبقه بندی زودهنگام این بیماری بااستفاده از ر ویکرد استخراج خودکار ویژگی های عمیق است. در این پژوهش، یک معماری عمیق پیچشی برای تشخیص بیماری آلزایمر از روی تصاویر تشدیدمغناطیسی پیشنهاد می شود. شبکه عمیق پیچشی پیشنهاد شده در این پژوهش با وجود پارامترهای بسیار کم، به خوبی قادر است که تمامی مراحل بیماری آلزایمر را از یکدیگر متمایز کند. ما به منظور آموزش و ارزیابی شبکه عمیق پیشنهادی، از مجموعه داده تصا ویر تشدید مغناطیسی پایگاه داده Kaggle استفاده کردیم. این مجموعه داده به صورت خام دارای عدم تعادل طبقاتی قابل توجهی است. در این پژوهش برا ی مقابله با این چالش، از تکنیک بیش نمونه برداری اقلیت مصنوعیدر جهت متعادل سازی طبقات این مجموعه داده استفاده شده است. شبکه عمیق پیشنهادی در کنار عملکرد مطلوب خود با تکنیک بیش نمونه برداری مصنوعی، با وجود دسته های نامتعادل دارای مشکل سوگیری به سمت نمونه های طبقه اکثریت نیست. شبکه عمیق پیشنهادی با روش SMOTE امتیاز FI , ۹۹.۰۵% ، صحت ۹۹.۱۰ % و فراخوانی ۹۸.۹۸ % است. با توجه به نتایج اخذ شده، شبکه عمیق پیشنهاد شده در این پژوهش از سایر مدل های موجود در روش های پیشین از منظر معیارهای ارزیابی اتخاذ شده در این پژوهش عملکرد بهتری دارد .

کلیدواژه ها:

بیماری آلزایمر ، یادگیری عمیق ، یادگیری ماشین ، شبکه عصبی عمیق ، شبکه عصبی کانولوشنال ، یادگیری انتقال ، تصاویر MRI ، هوش مصنوعی