عنوان

تشخیص بیماری آلزایمر با یادگیری انتقالی در شبکه‌های عصبی عمیق

پ۲۷۰۳۸

per

تشخیص بیماری آلزایمر با یادگیری انتقالی در شبکه‌های عصبی عمیق

مریم پورسعید

برق وکامپیوتر

۱۴۰۱

۸۷ص.

سی دی

کارشناسی ارشد

مهندسی برق گرایش مخابرات سیستم

۱۴۰۱/۰۴/۰۱

بیماری آلزایمر شایع‌ترین نوع زوال عقل است. با تشخیص زودهنگام و اقدامات به موقع می‌توان علاوه بر جلوگیری از پیشرفت بیماری، تاثیرات منفی اقتصادی و بار هزینه‌های تحمیل‌شونده بر جامعه و سیستم‌های خدماتی، حمایتی و درمانی را تا حد قابل توجهی کاهش داد. در این پایان‌نامه به دو مسئله تشخیص بیماری آلزایمر و تخمین پیشرفت این بیماری پرداخته شده است. در الگوریتم طراحی‌شده پس از دریافت تصاویر MRI از پایگاه داده ADNI، از رویکرد یادگیری انتقالی استفاده شده است. در روش پیشنهادی به‌منظور پیش‌پردازش، نرم‌افزار FreeSurfer به کار رفته و رویکرد پردازش مبتنی بر برش در هر یک از سه محور Axial، Coronal و Sagittal اتخاذ شده است. در مسئله تشخیص بیماری آلزایمر از سه مدل از پیش آموز‌ش‌دیده VGG16، MobileNetV2 و ResNet50 برای استخراج ویژگی بهره گرفته شده است. پس از طبقه‌بندی، نتایج نشان‌دهنده عملکرد مناسب در تشخیص بیماری آلزایمر است. همچنین در هر محور، سه مدل ذخیره شده و با به‌کارگیری یادگیری جمعی از نقاط قوت هر سه مدل به‌طور هم‌زمان در تمامی محورها استفاده شده است. در مسئله بررسی پیشرفت این بیماری به منظور طبقه‌بندی بین دو گروه pMCI و sMCI، استخراج ویژگی از طریق مدل از پیش آموزش‌دیده MobileNetV2 انجام گرفته و دقت طبقه‌بندی حاصل از آن 84/99% در محور Axial است. الگوریتم ارائه‌شده امکان تخمین پیشرفت این بیماری دو سال قبل از ابتلا به آلزایمر را با دقت بسیار مناسبی نسبت به سایر روش‌های موجود فراهم کرده است.

Alzheimer's disease is the most common type of dementia. Early diagnosis and prevention of the progression of the MCI to AD can be significantly reduced the negative economic impacts and the burden of costs imposed on society and service, support, and treatment systems. This thesis deals with the two issues of diagnosing Alzheimer's disease and estimating the progression of this disease. In designing this algorithm, after obtaining MRI images from the ADNI database, the transfer learning approach was used. In the proposed method for pre-processing, FreeSurfer software is used, and the Slice-based input management approach is adopted in Axial, Coronal, and Sagittal planes. In diagnosing Alzheimer's disease, three pre-trained models, VGG16, MobileNetV2, and ResNet50, are used to extract the feature. After classification, the results show good performance in the diagnosis of Alzheimer's disease. Also, three models are stored on each axis, and simultaneously, the strengths of all three models are used in all axes using Ensemble learning. In estimating the progression of this disease for classification between pMCI, and sMCI, feature extraction is performed by a pre-trained MobileNetV2 model. The results of this network are 99.84% in the Axial axis. The proposed algorithm makes it possible to estimate the progression of this disease two years before Alzheimer's disease better than other existing methods

Diagnosing Alzheimer’s disease with Transfer Learning for Deep Neural Networks

‏پورسعید،

مریم

تهيه کننده

سیدعربی،

اسدپور،

میرهادی

محمد

استاد راهنما

استاد مشاور

‏ تبریز