شناسايي آلزايمر با استفاده از شبكه عصبي يادگيري عميق

An Intelligent Method of Alzheimer's disease Using Deep learning

زمينه و هدف: بيماري آلزايمر شايعترين شكل زوال عقل است كه مهمترين نمود آن اختلال در حافظه است. آسيبديدگي ‌مغزي و اختلال استرس پس از حادثه (حوادث ايجاد شده براي جانبازان جنگ، رزمندگان و نيروهاي مسلح)، نقش بسزايي در افزايش خطر بيماري آلزايمر دارد. ماهيت ابعاد بالاي داده‌هاي عصبي، در عين حال تعداد كمي از نمونه‌هاي موجود، باعث مي‌شود كه يك سيستم تشخيص دقيق كامپيوتري ايجاد شود. هدف از انجام مطالعه حاضر بكارگيري شبكه‌هاي عصبي يادگيري عميق براي ايجاد يك سيستم خودكار تشخيص بيماري مي‌باشد. مواد و روش‌ها: مطالعه حاضر، بر روي 200 نمونه تصاوير مغزي جانبازان جنگ توسط نرم افزار پايتون انجام شده است. در مدل پيشنهادي اين پژوهش 70% از تصاوير پايگاه داده براي آموزش و 30% تصاوير پايگاه داده براي آزمون انتخاب شدند. در مرحله اول آموزش از يادگيري عميق با شبكه كانولوشن براي استخراج ويژگي سپس در مرحله دوم به منظور طبقه‌بندي وضعيت‌ سلامت بر پايه ويژگي‌هاي ياد گرفته شده مي‌باشد. يافته‌ها: نتايج حاصل از خروجي تجزيه و تحليل شده و با روش‌هاي ارائه شده در مطالعات قبلي مقايسه شده است. روش پيشنهادي، دقت تشخيص بالاتري دارد كه نسبت به روشهاي موجود باعث افزايش بيش از 10% در دقت تشخيص در بسياري از موارد گرديده است. نتيجه‌گيري: نتايج اين پژوهش نشان داد كه استفاده از روش‌هاي هوشمند بر مبناي يادگيري عميق مي‌تواند با دقت مطلوبي بيماري آلزايمر را تشخيص دهد. همچنين از الگوريتم‌هاي استفاده شده در اين تحقيق را مي‌توان در ساير امور مديريتي، نظامي و دفاعي نيز استفاده كرد.

Aim and Background: Alzheimer 's disease is the most common form of dementia which has caused disorder in memory. Cerebral palsy and posttraumatic stress disorder (veterans of war, warriors, armed forces) play an important role in increasing the risk of Alzheimer's disease. The nature of the large dimensions of neural data, as well as the small number of available samples, make for an accurate computer diagnostic system. The aim of this study was to apply deep neural networks to develop an automatic disease diagnosis system. Methods and Materials: In this research, studies on magnetic resonance imaging of war veterans are done by python Software. In the proposed model, in the proposed model, 10 % of the images of the data base were selected for training. In the first stage, the training is from deep learning with Convolutional network to extract the features, then in the second stage, in order to classify the health status based on the learned features. Findings: The results of the analysis are also compared with the results presented in previous Studies. The proposed method has higher detection accuracy than the existing Ones, which increases the accuracy of detection in many cases. Conclusions: The results of this study showed that using intelligent methods based on deep learning can accurately diagnose the disease.