پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شماره‌ها | 663 |
| تعداد مقالات | 9,691 |
| تعداد مشاهده مقاله | 68,984,128 |
| تعداد دریافت فایل اصل مقاله | 48,479,473 |
رویکردی نوین در تشخیص مراحل مختلف بیماری آلزایمر با توسعه الگوریتم یادگیری عمیق vgg16 | ||
| مدل سازی در مهندسی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 13 مهر 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2025.36970.2824 | ||
| نویسندگان | ||
| نعمت اله عزتی* 1؛ علی پورقاسم2؛ سارا میهن دوست2 | ||
| 1هیات علمی | ||
| 2گروه مهندسی برق، دانشگاه صنعتی ارومیه، ارومیه، ایران | ||
| تاریخ دریافت: 18 اسفند 1403، تاریخ بازنگری: 01 مرداد 1404، تاریخ پذیرش: 27 مرداد 1404 | ||
| چکیده | ||
| بیماری آلزایمر به عنوان یک چالش مهم و پیش‌رونده در حوزه سلامت عمومی، نیازمند راهکارهای نوین برای تشخیص زودهنگام و دقیق است. این پژوهش، یک مدل ترکیبی مبتنی بر یادگیری عمیق برای تشخیص زودهنگام آلزایمر با استفاده از تصاویر MRI ارائه می‌دهد. برخلاف رویکردهای متداول که صرفاً از مدل‌های پیش آموزش دیده بهره می‌گیرند، مدل پیشنهادی با ترکیب معماری VGG16 و یک مسیر کمکی CNN شامل لایه‌های Dense و حذف تصادفی طراحی شده است. این مسیر کمکی، به عنوان یک شاخه کمکی، نقشی کلیدی در تقویت استخراج ویژگی‌های پیچیده و کاهش خطر بیش برازش ایفا می‌کند. به‌منظور مقابله با چالش عدم تعادل شدید میان کلاس‌های داده‌های MRI به‌ویژه در مواردی نظیر کلاس مربوط به علائم متوسط که تنها شامل ۶۴ نمونه است از ترکیب دو روش مکمل SMOTE و افزایش داده بهره گرفته شده است. که در کنار هم موجب بهبود تعمیم‌پذیری مدل در طبقه‌بندی کلاس‌های نادر شده‌اند. داده‌های مورداستفاده از مجموعه داده‌های عمومی Kaggle استخراج شده‌اند. افزون بر این، تحلیل‌های تجربی دقیقی بر پارامترهای کلیدی مانند نرخ یادگیری، ابعاد تصویر، اندازه Batch، نرخ حذف تصادفی و نوع بهینه‌ساز صورت‌گرفته است که منجر به انتخاب پیکربندی بهینه مدل شده‌اند. مدل نهایی با دستیا‌‍‌‍‍‍‍‍‍‍‌بی به‌دقت 3/99 درصد و F1-Score معادل 5/99 درصد عملکرد بسیار مطلوبی در تشخیص بیماران آلزایمر از خود نشان داده است. نتایج این پژوهش گویای آن است که بهره‌گیری هوشمندانه از معماری‌های پیشرفته یادگیری عمیق همراه با راهکارهای مهندسی داده، می‌تواند به طور مؤثری در توسعه سامانه‌های تشخیص هوشمند پزشکی و مدیریت دقیق‌تر بیماری‌های عصبی مؤثر واقع شود. | ||
| کلیدواژه‌ها | ||
| تشخیص زودهنگام؛ زوال عقل؛ پردازش تصویر مغناطیسی؛ مدل‌های بینایی کامپیوتری؛ یادگیری عمیق؛ آلزایمر | ||
| عنوان مقاله [English] | ||
| Novel approach in diagnosing different stages of Alzheimer's disease by developing VGG16 deep learning algorithm | ||
| نویسندگان [English] | ||
| Nematollah Ezzati1؛ Ali Pourghasem2؛ Sara Mihandoost2 | ||
| 1Department of Electrical Engineering, Faculty of New Technologies, Urmia University of Technology, Urmia, Iran | ||
| 2Department of Electrical Engineering, Faculty of New Technologies, Urmia University of Technology, Urmia, Iran | ||
| چکیده [English] | ||
| Alzheimer's disease, as one of the major and progressive challenges in public health, requires innovative solutions for early and accurate diagnosis. This research presents a hybrid deep learning model for the early detection of Alzheimer's using MRI images. Unlike conventional approaches that rely solely on pre-trained models, the proposed model combines the VGG16 architecture with an auxiliary CNN path that includes Dense layers and dropout. This auxiliary path, as a key branch, plays a significant role in enhancing the extraction of complex features and reducing the risk of overfitting. To address the severe class imbalance in the MRI dataset (such as only 64 samples in the moderate symptom class), a combination of the complementary SMOTE and data augmentation methods was used, which together improved the model's generalization in classifying rare classes. The dataset used was extracted from the public Kaggle datasets. Furthermore, precise experimental analyses were conducted on key parameters such as learning rate, image dimensions, batch size, dropout rate, and optimizer type, leading to the selection of the optimal model configuration. The final model achieved an accuracy and F1-score of 99.5%, demonstrating excellent performance in diagnosing Alzheimer's patients. The results of this research indicate that the intelligent use of advanced deep learning architectures, combined with data engineering solutions, can effectively contribute to the development of intelligent medical diagnostic systems and more precise management of neurological diseases. | ||
| کلیدواژه‌ها [English] | ||
| Early Detection, Dementia, Magnetic Resonance Imaging Processing, Computer Vision Models, Deep Learning, Alzheimer | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 86 |
||