ارزیابی کارایی روش های استخراج ویژگی از تصاویر MRI در تشخیص بیماری آلزایمر:مقایسه CNN و DWT در مدل SVM

آلزایمر یک بیماری زوال عصبی است که معمولا به کندی آغاز می شود و به تدریج رو به وخامت می رود. رایج ترین علامت ابتدایی آن بیماری، اختلال در حافظه کوتاه مدت و مشکل در به یاد آوردن اتفاقات اخیر است. با پیشرفت بیماری آلزایمر، علائم آن می تواند شامل مشکلات زبانی، مشکل در آگاهی از موقعیت (گم شدن)، نوسان خلقی، از دست دادن انگیزه، اهمال و بی توجهی نسبت به خود و مشکلات رفتاری باشد. تا به امروز هیچ درمان موثری برای بیماری آلزایمر ارایه نشده است. لذا تشخیص زودهنگام بیماری و جلوگیری از پیشرفت آن در مراحل اولیه از اهمیت بالایی برخوردار است. تشخیص زودهنگام بیماری آلزایمر را می توان از طریق تجزیه و تحلیل خودکار تصاویر MRI با یادگیری ماشین به دست آورد. اخیرا نشان داده شده است که الگوریتم های یادگیری ماشین می توانند بیماری آلزایمر را بهتر از پزشکان پیش بینی کنند. یکی از پارامترهای مهم و تاثیرگذار بر دقت مدل های یادگیری ویژگی های استخراج شده است. در این مطالعه مقایسه ای بین نتایج حاصل از طبقه بندی ویژگی های استخراج شده به روش DWT و ویژگی های استخراج شده توسط شبکه عصبی کانولوشن CNN، توسط یک مدل SVM، در تشخیص خودکار بیماری آلزایمر انجام شده است. نتایج بدست آمده نشان داد مدل در طبقه بندی تصاویر MRI بیماری آلزایمر با استفاده از ویژگی های استخراج شده توسط شبکه عصبی کانولوشن، نسبت به استفاده از ویژگی های آماری استخراج شده به روش DWT دقت بالاتری دارد.

کلیدواژه ها:

بیماری آلزایمر ، تصاویر MRI ، شبکه عصبی کانولوشن CNN ، ماشین بردار پشتیبان SVM ، DWT