شبکه یادگیری عمیق U-Net بهبود یافته با خوشه بندی مبتنی بر الگوریتم ترکیبی سینوس کسینوس در تشخیص بیماری آلزایمر از تصاویر MRI مغز

استفاده از مدل های یادگیری عمیق در پردازش تصاویر پزشکی در سال های اخیر توجه پژوهشگران بسیاری را به خود جلب کرده است. در این پژوهش، روشی نوآورانه مبتنی بر شبکه یادگیری عمیق U-Net برای تشخیص بیماری آلزایمر ارائه شده است. این روش از ترکیب خوشه بندی فازی-C میانگین با الگوریتم بهینه سازی ترکیبی سینوس-کسینوس و تکامل تفاضلی، در کنار طبقه بندی بر اساس تابع آنتروپی استفاده شده است. خوشه بندی فازی-C میانگین اطلاعات دقیقی از بخش های قطعه بندی شده تصویر فراهم می آورد. به منظور رفع مشکل گیر افتادن در بهینه محلی در فرآیند خوشه بندی، الگوریتم بهینه سازی پیشنهادی به کار گرفته شده است. برای نخستین بار، یک مدل بهبودیافته از U-Net با بهره گیری از این ترکیب ارائه شده است. روش پیشنهادی بر اساس تحلیل منحنی ROC و با استفاده از مجموعه داده معتبر ADNI شامل ۲۱۰ تصویر MRI مورد ارزیابی قرار گرفته است. نتایج نشان دهنده دقت روش های مختلف به ترتیب %۸۹.۵ برای شبکه عصبی کانولوشن، %۹۰.۵ برای U-Net، %۹۳.۳ برای PSO-FCM-U-Net، و %۹۷.۵ برای روش پیشنهادی SCADE-FCM-U-Net است.

کلیدواژه ها:

یادگیری عمیق ، U-Net ، پردازش تصاویرMRI ، خوشه بندی فازی ، الگوریتم سینوس-کسینوس ، تکامل تفاضلی