![](../template/hn-aefmc/image/item_sign.gif)
![](../template/hn-aefmc/image/item_sign.gif)
![](../template/hn-aefmc/image/item_sign.gif)
![](../template/hn-aefmc/image/item_sign.gif)
![](../template/hn-aefmc/image/item_sign.gif)
درباره مجله عضویت در مجله شناسنامه مجله ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() مقالات منتشر شده ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() آمار بازدید ![]() ![]() ![]() ![]() ![]() |
صفحه اصلی > طبقه بندی بیماری آلزایمر مبتنی بر یادگیری عمیق با استفاده از MRI مغز
.: طبقه بندی بیماری آلزایمر مبتنی بر یادگیری عمیق با استفاده از MRI مغز طبقه بندی بیماری آلزایمر مبتنی بر یادگیری عمیق با استفاده از MRI مغز مریم سورگی*1، سید حمید خاتمی 2 1- دانشجوی کارشناسی مهندسی پزشکی، گروه الکترونیک، دانشکده برق و کامپیوتر، دانشگاه بیرجند 2- دانشجوی دکتری مهندسی برق -الکترونیک، گروه الکترونیک، دانشکده برق و کامپیوتر، دانشگاه بیرجند
ارسال: مرداد ماه 1402 پذیرش: مهر ماه 1402
چكيده آلزایمر، یک اختلال مغزی شناخته شدهاست که در حال حاضر هنوز درمانی ندارد. با این حال، تشخیص زودهنگام بیماری میتواند به بیمار کمک کند تا درمان مناسب را دریافت کند و روند پیشرفت بیماری را کاهش دهد. در تصویربرداری پزشکی، روشهای یادگیری عمیق به طور گسترده برای کمک به متخصصان پزشکی در تشخیص بیماری آلزایمر برای طبقهبندی و مراحل بیماری آلزایمر استفاده شدهاست. این مقاله، عملکرد طبقهبندی معماری یادگیری عمیق مانند MobileNetV2، ResNet-101، DenseNet-121 و مدل شبکه عصبی کانولوشنال اصلاحشده پیشنهادی(CNN) را با الهام از شبکه VGG16 با استفاده از مجموعه دادههای تصویربرداری تشدید مغناطیسی مغز (MRI) از Kaggle مقایسه میکند. همچنین عملکرد مدل بر اساس دقت، صحت، نرخ فراخوانی و امتیاز F1 ارزیابی میشود و نتایج بهدستآمده نشان میدهد که طبقهبندی بیماری آلزایمر با استفاده از مدل پیشنهادی این مقاله، دقیقتر از مدل دیگر با دقت 97.625 درصد، نرخ فراخوانی 98 درصد، صحت 98 درصد و امتیاز F1 98 درصد است. در این مقاله، با موفقیت ثابت کرد که کنارگذاشتن برخی بخشها در مدل CNN، میتواند دقت مدل را بهبود بخشد و مدت زمان آموزش مدل را کاهش دهد و بینشهای ارزشمندی برای تشخیص تصویر پزشکی و تحقیقات آینده ایجاد کند. كلمات كليدي: آلزایمر، یادگیری عمیق، یادگیری ماشین، تصویربرداری پزشکی، هوش مصنوعی. دانلود مقاله : ![]() |
Journal of Science and Engineering Elites www.ElitesJournal.ir www.ElitesJournal.com پست الکترونیک ( ایمیل) : Info@elitesjournal.com تلفن دبیرخانه: 44258197 -021 ساعات پاسخگوئی به تماس: همه روزه از ساعت 11 الی 17 (به جز جمعه ها و ایام تعطیل) فکس دبیرخانه : 89780710-021 |