چکیده:
آلزایمر، یک اختلال مغزی شناخته شدهاست که در حال حاضر هنوز درمانی ندارد. با این حال، تشخیص زودهنگام بیماری میتواند به بیمار کمک کند تا درمان مناسب را دریافت کند و روند پیشرفت بیماری را کاهش دهد. در تصویربرداری پزشکی، روشهای یادگیری عمیق به طور گسترده برای کمک به متخصصان پزشکی در تشخیص بیماری آلزایمر برای طبقهبندی و مراحل بیماری آلزایمر استفاده شدهاست. این مقاله، عملکرد طبقهبندی معماری یادگیری عمیق مانند MobileNetV2، ResNet-101، DenseNet-121 و مدل شبکه عصبی کانولوشنال اصلاحشده پیشنهادی (CNN) را با الهام از شبکه VGG16 با استفاده از مجموعه دادههای تصویربرداری تشدید مغناطیسی مغز (MRI) از Kaggle مقایسه میکند. همچنین عملکرد مدل بر اساس دقت، صحت، نرخ فراخوانی و امتیاز F1 ارزیابی میشود و نتایج بهدستآمده نشان میدهد که طبقهبندی بیماری آلزایمر با استفاده از مدل پیشنهادی این مقاله، دقیقتر از مدل دیگر با دقت 97. 625 درصد، نرخ فراخوانی 98 درصد، صحت 98 درصد و امتیاز F1 98 درصد است. در این مقاله، با موفقیت ثابت کرد که کنارگذاشتن برخی بخشها در مدل CNN، میتواند دقت مدل را بهبود بخشد و مدت زمان آموزش مدل را کاهش دهد و بینشهای ارزشمندی برای تشخیص تصویر پزشکی و تحقیقات آینده ایجاد کند.
خلاصه ماشینی:
این مقاله، عملکرد طبقهبندی معماری یادگیری عمیق مانند MobileNetV2، ResNet-101، DenseNet-121 و مدل شبکه عصبی کانولوشنال اصلاحشده پیشنهادی(CNN) را با الهام از شبکه VGG16 با استفاده از مجموعه دادههای تصویربرداری تشدید مغناطیسی مغز (MRI) از Kaggle مقایسه میکند.
همچنین عملکرد مدل بر اساس دقت، صحت، نرخ فراخوانی و امتیاز F1 ارزیابی میشود و نتایج بهدستآمده نشان میدهد که طبقهبندی بیماری آلزایمر با استفاده از مدل پیشنهادی این مقاله، دقیقتر از مدل دیگر با دقت 97.
با این حال، چندین محقق، زمانی که یک مدل از یادگیری عمیق آموزش داده شده بر روی تصاویر MRI مغز در تشخیص AD استفاده شد، به نتایج بهتری دست یافتند.
سیستم طبقهبندی پیشنهادی شامل 5 سطح است: روش مورفومتری مبتنی بروکسل– خوشهبندی وکسل-استخراج ویژگی بین دو گروه افراد سالم و بیمار به کمک آزمون T-طبقهبندی با ماشین بردار پشتیبان و استفاده از روش همجوشی دادهها برای بهبود عملکرد طبقهبندی بر اساس خوشه آتروفی و به نرخ صحت 96 درصد رسیدند.
مدل یادگیری عمیق پیشنهادی از ویژگی های MRI مغز بیماران آلزایمر (که به 3 گروه تقسیم میشود) و بیماران سالم استفاده میکند.
شكل 3- معماری مدل CNN پیشنهادی برای طبقه بندی بیماری آلزایمر استفاده از کانولوشن قابل جداسازی در عمق باعث میشود MobileNet تعداد کمی پارامتر داشته باشد و به یک شبکه عصبی عمیق سبک تبدیل شود[31].
Majid, “Deep convolutional neural network based classification of alzheimer's disease using MRI Data,” 2020 IEEE 23rd International Multitopic Conference (INMIC), 2020.
Zhang, “An Ensemble of Deep Convolutional Neural Networks for Alzheimer’s Disease Detection and Classification,” 19.