تشخیص بیماری آلزایمر با استفاده از شبکه عصبی کانولوشن عمیق و تابع زیان

بیماری آلزایمر یکی از رایج ترین انواع زوال عقل به شمار می رود که معمولا با کاهش تدریجی حافظه و افت توانایی های شناختی همراه است. تشخیص زودهنگام و دقیق این بیماری، نقش کلیدی در بهبود کیفیت زندگی بیماران و برنامه ریزی درمان دارد. در این پژوهش، یک شبکه عصبی کانولوشن عمیق (Deep CNN) طراحی شده که با بهره گیری از تابع زیان Focal Loss بر مشکل عدم توازن داده ها غلبه می کند. داده های مورد استفاده در چهار دسته از زوال عقل شامل ND، MoD، MD و VMD سازماندهی شدند. تصاویر مغزی پس از مراحل پیش پردازش (تغییر اندازه، نرمال سازی و افزایش داده) به نسبت ۷۰٪ برای آموزش، ۲۰٪ برای آزمون و ۱۰٪ برای اعتبارسنجی تقسیم شدند. شبکه طراحی شده شامل لایه های متنوعی از جمله کانولوشن، Pooling، Batch Normalization و Dropout به همراه لایه های Fully Connected است که همگی موجب افزایش تعمیم پذیری و قدرت مدل می شوند. نتایج آزمایش ها نشان می دهد که مدل پیشنهادی در شاخص هایی مانند دقت، فراخوانی، میانگین دقت (Precision) و امتیاز F۱ عملکرد چشمگیری دارد. همچنین تحلیل منحنی ROC اثربخشی بالای این روش را تایید می کند. در مقایسه با رویکردهای کلاسیک، چارچوب ارائه شده مدلی قابل اعتمادتر و قدرتمندتر برای طبقه بندی خودکار آلزایمر فراهم می آورد و به خوبی نشان می دهد که یادگیری عمیق پتانسیل بزرگی در حوزه تشخیص این بیماری دارد.

کلیدواژه ها:

آلزایمر ، شبکه های عصبی کانولوشنی (CNN) ، یادگیری عمیق ، تشخیص خودکار بیماری ، پردازش تصویر پزشکی