طبقه بندی بیماری آلزایمر با استفاده از تصاویر MRI و تکنیک های یادگیری ماشین

مقالات آماده انتشار

نوع مقاله : علمی-پژوهشی

نویسندگان

1 دانشکده مهندسی پزشکی، دانشگاه صنعتی سهند تبریز، تبریز، ایران

2 دانشگاه صنعتی سهند تبریز

3 عضو هیات علمی / دانشکده مهندسی پزشکی، دانشگاه صنعتی سهند

4 گروه علوم مهندسی، دانشکده فناوری‌های نوین، دانشگاه محقق اردبیلی، نمین، ایران

چکیده

بیماری آلزایمر یک اختلال عصبی است که با کاهش تدریجی عملکرد شناختی از جمله از دست دادن حافظه و اختلال در تفکر ارتباط دارد. علائم شایع این بیماری شامل کاهش تدریجی حافظه، تغییرات شخصیتی، مشکل در استدلال و تصمیم گیری و کاهش توانایی در انجام وظایف روزانه است. تصویربرداری تشدید مغناطیسی (MRI) می تواند تصاویری با وضوح بالا از ساختارهای مغز ارائه دهد که می تواند به شناسایی علائم اختلالات مغزی از جمله آلزایمر کمک کند. این مطالعه، روشی مبتنی بر تحلیل تصاویر MRIبرای تشخیص بیماری آلزایمر، پیشنهاد می‌کند. روش پیشنهادی شامل قطعه‌بندی تصاویر MRI با استفاده از خوشه‌بندی فازی C- میانگین و بهینه‌سازی ازدحام ذرات، و به دنبال آن استخراج ویژگی با استفاده از گرادیان‌های جهت‌دار هیستوگرام (HOG) و الگوی دودویی محلی (LBP) است. برای ارزیابی روش پیشنهادی، از پایگاه داده Kaggle Alzheimer’s disease استفاده گردید، که شامل تصاویر چهار مرحله (کلاس) بیماری آلزایمر از جمله سالم، بسیار خفیف، زوال عقل خفیف و زوال عقل شدید می‌باشد. برای غلبه بر مشکل عدم تعادل کلاس، در این روش از تکنیک نمونه برداری بیش از حد اقلیت مصنوعی (SMOTE) برای ایجاد یک مجموعه داده استفاده گردید. سپس انتخاب ویژگی با استفاده از الگوریتم ReliefF برای رسیدن به عملکرد طبقه‌بندی بهتر انجام می شود. نتایج ارزیابی نشان می‌دهد که روش پیشنهادی در طبقه‌بندی مراحل مختلف بیماری آلزایمر دقت بالای ۸۷/۹۹ درصد، حساسیت ۷۴/۹۹ درصد و اختصاصیت ۹۱/۹۹ درصد به‌دست می‌آورد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Classification of Alzheimer's Disease using MRI Images and Machine Learning Techniques

نویسندگان [English]

  • Zahra Bakhshi 1
  • Hamed Danandeh Hesar 2
  • Mousa Shamsi 3
  • Ali Fahmi jafargholkhanloo 4
1 Faculty of Biomedical Engineering, Sahand University of Technology, Tabriz,, Iran
2 Faculty of Biomedical Engineering Sahand University of Technology
3 Professor/Faculty of Biomedical Engineering, Sahand University of Technology
4 Department of Engineering Sciences, Faculty of Advanced Technologies, University of Mohaghegh Ardabili, Namin, Iran
چکیده [English]

Alzheimer's disease is a neurodegenerative disorder characterized by a gradual decline in cognitive function, including memory loss and impaired thinking. Common symptoms include progressive memory decline, personality changes, difficulty with reasoning and decision-making, and decreased ability to perform daily tasks. Magnetic Resonance Imaging (MRI) can provide high-resolution images of brain structures, which can aid in identifying signs of brain disorders, including Alzheimer's. This study proposes a method for detecting Alzheimer's disease using MRI images from the Kaggle Alzheimer's disease database, which comprises four stages of the disease: healthy, very mild demented, mild demented, and moderate demented. The proposed method involves segmenting MRI images using Fuzzy C-means clustering and particle swarm optimization, followed by feature extraction using Histogram Oriented Gradients (HOG) and Local Binary Pattern (LBP). To address class imbalance, the Synthetic Minority Over-sampling Technique (SMOTE) is applied to generate a balanced dataset. Feature selection is then performed using the ReliefF algorithm. The evaluation results demonstrate that the proposed method achieves high accuracy (99.87%), sensitivity (99.74%), and specificity (99.91%) in classifying different stages of Alzheimer's disease, showing promise for early detection and diagnosis.

کلیدواژه‌ها [English]

  • Alzheimer's disease diagnosis
  • Brain MRI images
  • Machine learning
  • Classification
مجله مهندسی برق دانشگاه تبریز

مقالات آماده انتشار، اصلاح شده برای چاپ
انتشار آنلاین از تاریخ 15 اسفند 1403

فایل ها

هم رسانی

ارجاع به این مقاله

آمار