tsta

Home / سی و دومین کنفرانس ملی و دهمین کنفرانس بین المللی مهندسی زیست پزشکی ایران

مدل ترکیبی مبتنی بر DenseNet، الگوریتم ژنتیک و GAN برای تشخیص آلزایمر از تصاویر MRI

Authors :

محمد قنبری صباغ¹ محسن کرمی طلایی²

1- دانشگاه آزاد اسلامی واحد تهران شمال 2- نشگاه آزاد اسلامی واحد تهران شمال

Keywords :

آلزایمر،شبکه عصبی کانولوشن (CNN)،الگوریتم ژنتیک،شبکه مولد متخاصم (GAN)،تصاویر MRI،یادگیری عمیق،تشخیص بیماری،یادگیری ماشین

Abstract :

در این پژوهش، یک چارچوب ترکیبی مبتنی بر شبکه عصبی کانولوشن (CNN – DenseNet)، الگوریتم ژنتیک و شبکه مولد متخاصم (GAN) برای تشخیص بیماری آلزایمر با استفاده از داده‌های MRI ارائه شده است. داده‌های مورد استفاده از پایگاه دادهMIRIAD شامل تصاویر MRI بیماران مبتلا به آلزایمر و افراد سالم استخراج گردید. در مدل پیشنهادی، الگوریتم ژنتیک جهت بهینه‌سازی فراپارامترهای CNN و شبکه GAN برای رفع مشکل عدم توازن داده‌ها به کار گرفته شد. یافته‌های تجربی نشان داد که مدل ترکیبی پیشنهادی در مقایسه با روش‌های متداول نظیر درخت تصمیم، ماشین بردار پشتیبان (SVM) و مدل‌های مبتنی بر تقویت گرادیان، عملکرد برتری داشته است. این مدل به دقت (Accuracy) %90، حساسیت (Recall) %92، دقت (Precision) %88 و ضریب F1 %90 دست یافت که بالاتر از سایر مدل‌های مقایسه‌ای است. برتری این نتایج بیانگر آن است که رویکرد ترکیبی پیشنهادی می‌تواند به‌عنوان ابزاری هوشمند و قابل‌اعتماد در تشخیص دقیق و زودهنگام آلزایمر به کار رود و زمینه‌ساز ارتقاء سامانه‌های بالینی گردد.