تشخیص هوشمند بیماری آلزایمر با داده هایMRI: ترکیب DenseNetبهینه سازی شده با الگوریتم ژنتیک و شبکه مولد متخاصم

در این پژوهش، یک چارچوب ترکیبی مبتنی بر شبکه عصبی کانولوشن (CNN)، الگوریتم ژنتیک و شبکه مولد متخاصم (GAN) برای تشخیص بیماری آلزایمر با استفاده از داده هایMRIارائه شده است. مدل پیشنهادی با استفاده از الگوریتم ژنتیک به بهینه سازیفراپارامترهایCNN و با بهره گیری از GANبه متعادل سازی مجموعه داده پرداخته است. یافته های تجربی نشان داد که این مدل در مقایسه با روش های سنتی مانند درخت تصمیم، ماشین بردار پشتیبان (SVM) و مدل های مبتنی بر تقویت گرادیان، در هر دو شاخص دقت (Precision) و حساسیت (Recall) عملکرد برتری دارد. بالاتر بودن دقت و حساسیت مدل ارائه شده، اثربخشی آن را در شناسایی صحیح بیماران آلزایمری اثبات می کند. رویکرد ترکیبی پیشنهادی می تواند به عنوان ابزاری هوشمند و قابل اعتماد در حوزه تشخیص بیماری های پیچیده با داده های تصویری به کار رود و زمینه ساز ارتقاء سامانه های بالینی گردد.

کلیدواژه ها:

آلزایمر ، تصاویر MRI ، شبکه عصبی کانولوشن (CNN) ، شبکه مولد متخاصم (GAN) ، یادگیری ماشین