تشخیص زودهنگام بیماری آلزایمر با استفاده از یادگیری عمیق و افزایش داده مبتنی بر SMOTE برای بهبود طبقه بندی تصاویر MRI
سال انتشار: 1405
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 76
فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_ISEE-17-2_001
تاریخ نمایه سازی: 7 آبان 1405
چکیده مقاله:
بیماری آلزایمر شایع ترین نوع زوال عقل در جهان است که با وجود نبود درمان قطعی، تشخیص زودهنگام آن می تواند روند پیشرفت بیماری را به طرزی چشمگیر کند کند. در این پژوهش، یک چارچوب مبتنی بر یادگیری انتقالی برای تشخیص مراحل مختلف بیماری آلزایمر از تصاویر MRI مغز ارائه شده است. به منظور کاهش اثر عدم توازن داده ها، از تکنیک SMOTE برای متوازن سازی کلاس ها استفاده شد و سپس، ویژگی های عمیق با بهره گیری از شبکه از پیش آموزش دیده InceptionV۳ استخراج شدند. در ادامه، طبقه بندی نهایی با استفاده از معماری DEMNET انجام شد که به دلیل تعداد پارامتر کمتر و توانایی تعمیم پذیری مناسب برای مجموعه داده های پزشکی کوچک انتخاب شد. نتایج تجربی بر روی مجموعه داده Kaggle نشان داد مدل پیشنهادی به دقت برابر ۵۲/۹۸ درصد، صحت برابر ۳۱/۹۸ درصد، معیار پوشش برابر ۴۷/۹۸ درصد و امتیاز F۱-score معادل ۳۹/۹۸ درصد دست یافته است. همچنین، مقدار سطح زیر منحنی ROC (AUC) برابر ۹۹ درصد به دست آمد که نشان دهنده توان تفکیک بسیار زیاد مدل در شناسایی مراحل مختلف بیماری است. مقایسه نتایج با حالت بدون استفاده از SMOTE نیز بیانگر بهبود معنادار تمامی معیارهای ارزیابی است. یافته های این مطالعه نشان می دهد ترکیب یادگیری انتقالی، متوازن سازی داده ها و معماری سبک DEMNET می تواند به عنوان رویکردی کارآمد برای تشخیص خودکار آلزایمر در تصاویر MRI استفاده شود و پتانسیل کاربرد در سامانه های تصمیم یار بالینی را داشته باشد.
کلیدواژه ها:
افزایش داده ، بیش نمونه گیری اقلیت مصنوعی ، بیماری آلزایمر ، تشخیص زودهنگام ، تصویربرداری رزونانس مغناطیسی ، شبکه عصبی کانولوشنی
نویسندگان
سجاد آقاسی جاوید
کارشناسی ارشد،گروه مخابرات، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران
محمود محصل فقهی
دانشیار،گروه مخابرات، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :