پیش بینی زودهنگام بیماری آلزایمر مبتنی بریادگیری عمیق ازطریق تجزیه وتحلیل تصویربرداری رزونانس مغناطیسی

بیماری آلزایمر نوعی زوال عقل است که با کاهش تدریجی عملکرد مغز و توانایی های شناختی مشخص می شود و منجر به از دست دادن حافظه ، سردرگمی و دشواری در انجام فعالیت های روزمره می گردد. این بیماری عمدتا در افراد بالای ۶۵ سال رخ می دهد و در حال حاضر حدود ۵۵ میلیون نفر به آلزایمر مبتلا هستند، به همین علت در حال تبدیل شدن به یک نگرانی جهانی رو به رشد است. علاوه بر این، نرخ مرگ و میر ناشی از آلزایمر به طور چشمگیری افزایش یافته است. روش های موجود برای تشخیص این بیماری شامل بررسی سوابق پزشکی، آزمون های شناختی و تصویربرداری تشدید مغناطیسی MRI است که به شناسایی بیماری کمک می کنند. با این حال،یک رویکرد مبتنی بر یادگیری عمیق امکان تشخیص آلزایمر را در مراحل اولیه فراهم می کنند. در این پژوهش، یک شبکه ی ترکیبی تشخیص آلزایمر ALZENET برای طبقه بندی مراحل مختلف این بیماری با استفاده از داده های ام آر آی ارائه شده است. در این مطالعه از مجموعه داده ام آر آی مبتنی بر آلزایمر از پایگاه Kaggle استفاده شده است که شامل ۶۴۰۰ تصویر ام آر آی در چهار کلاس مجزا بوده است. برای مقابله با مشکل عدم توازن داده ها، از تکنیک افزایشی نمونه های اقلیت مصنوعی استفاده شده است. مدل ترکیبی پیشنهادی ، که از ترکیب معماری های VGG۱۶ ، InceptionV۳ و ResNet۵۰ با یک شبکه ی عصبی کانولوشنی CNN چندلایه بهره می برد، به دقت ۹۷.۳۱% در آزمون ها دست یافته که به طور قابل توجهی عملکرد بهتری نسبت به روش های پیشین در طبقه بندی بیماری آلزایمر دارد علاوه بر این، یک برنامه وب مبتنی بر یادگیری عمیق توسعه یافته است که به پزشکان در شناسایی کارآمد مراحل مختلف آلزایمر کمک کند. این رویکرد ابزاری امیدوارکننده برای تشخیص سریع و دقیق این بیماری ارائه می دهد که می تواند نتایج درمانی بیماران را بهبود بخشد

کلیدواژه ها:

بیماری آلزایمر ، تصویربرداری رزونانس مغناظیسی ، یادگیری عمیق ، مدل مجموعه ، برنامه وب.