شناسايي بيماري آلزايمر با استفاده از شبكه‌ي عصبي عميق پيچشي از روي تصاوير MRI

Deep Convolutional Neural Network-Based Detection of Alzheimer s Disease Using MRI Imaging

بيماري آلزايمر يك اختلال عصبي مرتبط با عملكرد مغز است كه با زوال عقل و اختلال عملكرد عصبي همراه است. اين بيماري بر حافظه، الگوهاي رفتاري وقدرت استدلال منطقي افراد تأثير مي‌گذارد. بيماري آلزايمر يك بيماري صعب العلاج است كه عمدتا افراد بالاي 40 سال را مبتلا مي‌كند. هدف اين پژوهش ايجاد يك سيستم قابل اعتماد، كارآمد و بهينه براي طبقه‌بندي زودهنگام بيماري آلزايمر با استفاده از رويكرد استخراج خودكار ويژگي‌هاي عميق است .در اين پژوهش، ما يك معماري عميق پيچشي را براي تشخيص بيماري آلزايمر از روي تصاوير تشديد مغناطيسي پيشنهاد مي‌كنيم. اين مدل‌ پيشنهادي با وجود پارامترهاي بسيار كمي كه در مجموع لايه‌هاي خود دارد، به خوبي قادر است كه تمامي مراحل بيماري آلزايمر را از يكديگر متمايز كند. در همين راستا در اين پژوهش از مجموعه داده تصاوير تشديد مغناطيسي موجود در پايگاه داده‌اي Kaggle استفاده كرده‌ايم. اين مجموعه داده به صورت خام داراي عدم تعادل طبقاتي قابل توجه‌اي ‌است. بنابراين ما مقابله با اين مشكل از تكنيك بيش‌نمونه برداري مصنوعي براي ايجاد يك توزان طبقاتي استفاده مي‌كنيم. مدل عميق پيچشي ما با وجود دسته‌هاي نامتعادل به خوبي قادر است كه مشكل سوگيري به سمت نمونه‌هاي اكثريت را بهبود ببخشد. شبكه‌هاي پيشنهادي با استفاده از معيارهاي ذكر شده با ديگر شبكه‌هاي ادبيات تحقيق كه داراي ميليون‌ها برابر پارامتر بيشتر هستند ارزيابي شده و نتايج آنها با مدل پيشنهادي ما مقايسه خواهد شد. شبكه پيشنهادي ما با روش SMOTE داراي نرخ دقت99.06% ، امتياز F1 %99.05، صحت 99.10% و يادآوري 98.98% است. نتايج شبيه‌سازي نشان مي‌دهد كه شبكه مطرح شده پيشنهادي از ساير مدل‌هاي موجود در روش‌هاي پيشين در تمام معيارهاي ارزيابي عملكرد بهتري دارد.

Alzheimer s disease is a neurological disorder that pertains to brain function and is closely associated with dementia. This condition adversely impacts memory, behavioral patterns, and logical reasoning abilities of individuals. Alzheimer s, a malady for which there is currently no cure, primarily afflicts individuals aged 40 and above. Early diagnosis of Alzheimer s is of paramount importance in effectively managing the disease s progression. Therefore, the core objective of this research is to construct an efficient diagnostic system within the domain of deep learning, with a specific focus on early detection of this condition through the utilization of an automated deep feature extraction approach. In this study, we propose a deep convolutional architecture for diagnosing Alzheimer s disease based on magnetic resonance images. The deep convolutional model presented in this study showcases the ability to differentiate between all stages of Alzheimer s disease while utilizing a parsimonious set of parameters. To train and assess the performance of our proposed deep model, we utilized the magnetic resonance image dataset from the Kaggle database. It is worth noting that this dataset initially exhibits a significant class imbalance. To tackle this challenge, we implemented SMOTE to achieve class balance within the dataset. The proposed deep model, in addition to achieving optimal performance with SMOTE, does not exhibit any bias toward the majority class samples despite the imbalanced distribution of categories. Our proposed deep network, coupled with the SMOTE method, attains an impressive accuracy rate of 99.06%, an F1-score of 99.05%, an accuracy of 99.10%, and a recall rate of 98.98%. According to the results obtained, the deep model introduced in this research outperforms previously employed methods in terms of the evaluation criteria adopted for this study.