تشخیص زودهنگام و خودکار بیماری آلزایمر در تصاویر MRI مغزی با استفاده از مدل یادگیری عمیق بر روی یک مجموعه داده نامتعادل

آلزایمر یک بیماری مزمن عصبی پیش رونده است که به مرور زمان حافظه و توانایی های شناختی فرد را مختل می کند. تشخیص زودهنگام این بیماری برای کنترل پیشروی و مدیریت هزینه های عاطفی و اقتصادی ناشی از آن بسیار حائز اهمیت است. از این رو ما در این پژوهش یک مدل نوآورانه مبتنی بر رویکرد یادگیری عمیق پیچشی را برای شناسایی زودهنگام آلزایمر از روی تصاویر MRI مغزی بیمارانمبتلا به آن پیشنهاد می کنیم. این مدل که مبتنی بر لایه های عمیق پیچشی با قابلیت استخراج خودکار ویژگی ها است، قادر است تا مراحل مختلف بیماری آلزایمر را به دقت و به طور خودکار از یکدیگر تفکیکنماید. در این پژوهش برای آموزش و ارزیابی مدل پیشنهادی از مجموعه داده ی MRI موجود در پایگاهداده Kaggle استفاده شده است. با توجه به عدم تعادل شدید نهفته در مجموعه داده مذکور که ناشی ازعدم توازن تعداد نمونه های کلاس های این مجموعه داده است و همچنین در جهت جلوگیری از مشکل سوگیری شناختی به سمت کلاس اکثریت بر آمده از این عدم تعادل، ما از تکنیک ترکیبی بیش نمونه گیریاقلیت مصنوعی و پیوندهای TOMEK برای متعادل سازی چهار کلاس این مجموعه داده استفاده کردیم. نتایج ارزیابی های این پژوهش نشان می دهد که مدل پیشنهادی با وجود تنها ۱۴۵ ، ۲۲۰ ، ۱ پارامتر، عملکرد بسیار خوبی را در تشخیص مراحل مختلف بیماری آلزایمر از خود نشان داده است. این مدل بر روی مجموعه داده Kaggle متعادل شده دارای دقت ۹۹/۲۹ %، صحت ۹۹/۲۳ % ، فراخوانی ۹۹/۲۱ % و امتیاز F۱ %۲۱/۹۹ است. همچنین دقت، صحت، فراخوانی و امتیاز F۱ مدل پیشنهادی با وجود کلاس های نامتعادل به مقدار ۹۸/۲۸ % ، ۹۸/۶۳ %، ۹۸/۶۵ % و ۹۸/۶۴ % است. این نتایج نشان می دهد که مدل پیشنهادی اینپژوهش در مقایسه با مدل های مطرح شده در ادبیات تحقیق که پارامترهای بسیار بیشتری نسبت به آن دارند، دارای برتری کارکردی در شناخت تصاویر MRI بیماران آلزایمری است.

کلیدواژه ها:

آلزایمر ، تصاویر MRI مغزی ، رویکرد یادگیری عمیق ، طبقه بندی تصاویر پزشکی ، کلاس بندی نامتعادل ، مدل یادگیری عمیق پیچشی