یک روش شبکه عصبی پیچشی عمیق سبک و دقیق مبتنی برMRI برای تشخیص و طبقه بندی بیماری آلزایمر

بیماری آلزایمر، یک اختلال پیشرونده مغزی است که تشخیص به موقع آن برای مدیریت و درمان موثر ضروری است. این مطالعه یک شبکه عصبی پیچشی (CNN) کارآمد و کم حجم را برای طبقه بندی تصاویر MRI مغز به چهار دسته مرتبط با آلزایمر ارائه می دهد. دو رویکرد اصلی برای طراحی روش درجهت بهبود تشخیص استفاده شده است: (۱) پیش پردازش بهینه داده ها؛ و (۲) طراحی یک معماری سبک، کم حجم و دارای پیچیدگی کم CNN که به طور هم زمان دارای دقت خوب، کارایی محاسباتی و عملکرد عالی می باشد. مدل پیشنهادی به دقت ۲۲/۹۹%، میانگین امتیاز F۱ برابر با ۹۹/۰، ضریب همبستگی متیو (MCC) برابر با ۹۸۷۰/۰، و ضریب کاپا کوهن (CKC) برابر با ۹۸۷۰/۰ دست یافت. در این تحقیق، علاوه بر دقت، پیچیدگی مدل پیشنهادی، مقایسه اندازه مدل، زمان سپری شده، عملیات نقطه شناور در ثانیه (FLOPs) و پارامترهای قابل آموزش و غیرقابل آموزش روش پیشنهادی به طور کامل موردبررسی قرار گرفته است. این مدل با داشتن مزایای دقت بالا، کاهش FLOPs، زمان اجرای سریع تر، و نیاز به حافظه کمتر، در مقایسه با دیگر روش های یادگیری عمیق استفاده شده در مطالعات اخیر عملکرد بهتری دارد.

کلیدواژه ها:

واژه های کلیدی: بیماری آلزایمر ، تشخیص ، شبکه عصبی پیچشی (CNN) ، تصاویر MRI مغز ، طبقه بندی ، ارزیابی عملکرد