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 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 | ||
| 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 | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 551 |
||
| تعداد نشریات | 22 |
| تعداد شمارهها | 723 |
| تعداد مقالات | 10,394 |
| تعداد مشاهده مقاله | 72,861,852 |
| تعداد دریافت فایل اصل مقاله | 64,556,334 |