بهبود تشخیص بیماری آلزایمر با ارائه یک روش ترادیسگر تصویری برای تحلیل تصاویر رزونانس مغناطیسی ساختاری

بیماری آلزایمر نیازمند تشخیص زودهنگام و دقیق برای مداخله موثر است. با این حال، روش های فعلی مبتنی بر شبکه های عصبی هم آمیختی و ترادیسگرهای تصویری استاندارد اغلب در تشخیص الگوهای سراسری آتروفی مغزی و تمرکز بر نواحی کلیدی مانند هیپوکامپ با چالش هایی مواجهند و دقت و تفسیرپذیری محدودی ارائه می دهند. این مقاله مدل ترادیسگر تصویری تقویت شده با توجه منطقه ای (RAE-ViT) را معرفی می کند که برای طبقه بندی آلزایمر با استفاده از داده های تصویربرداری رزونانس مغناطیسی ساختاری طراحی شده است. RAE-ViT با بهره گیری از سازوکار های توجه منطقه ای، بر نواحی کلیدی مغز (مانند هیپوکامپ و بطن ها) تمرکز می کند و از توجه سلسله مراتبی برای استخراج الگوهای ساختاری محلی و سراسری استفاده می نماید. این مدل، ارزیابی شده روی مجموعه داده ادنی، به دقت ۲/۹۴ درصد، حساسیت ۸/۹۱ درصد، ویژگی ۷/۹۵ درصد و مساحت زیر منحنی ROC (AUC) برابر با ۹۶/۰ دست یافت. در مقایسه، بهترین روش موجود، یعنی مدل ترکیبی CNN-ViT، به دقت ۲/۹۰ درصد، حساسیت ۵/۸۷ درصد، ویژگی ۰/۹۱ درصد و AUC برابر با ۹۲/۰ رسیده بود، که نشان دهنده برتری قابل توجه RAE-ViT  است. این مدل همچنین نقشه های توجه تفسیرپذیر و هم راستا با دانش بالینی تولید می کند. برای مقابله با چالش های کوچک بودن مجموعه داده و هزینه های محاسباتی، RAE-ViT از استخراج ویژگی چندمقیاس و راهبرد های بهینه سازی آموزش بهره می برد. RAE-ViT رویکردی نویدبخش برای تشخیص زودهنگام آلزایمر ارائه می دهد و می تواند نتایج بیماران را بهبود بخشد.

کلیدواژه ها:

طبقه بندی بیماری آلزایمر ، ترادیسگر تصویری[۱] ، سازوکار های توجه منطقه ای ، تصویربرداری رزونانس مغناطیسی ، یادگیری عمیق ۱. Vision Transformer