آمار
| تعداد نشریات | 44 |
| تعداد شماره‌ها | 1,341 |
| تعداد مقالات | 16,476 |
| تعداد مشاهده مقاله | 53,516,353 |
| تعداد دریافت فایل اصل مقاله | 16,030,719 |
طبقه بندی بیماری آلزایمر با استفاده از تصاویر MRI و تکنیک های یادگیری ماشین | ||
| مجله مهندسی برق دانشگاه تبریز | ||
| مقالات آماده انتشار، اصلاح شده برای چاپ، انتشار آنلاین از تاریخ 15 اسفند 1403 | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/tjee.2025.62750.4869 | ||
| نویسندگان | ||
| زهرا بخشی1؛ حامد داننده حصار* 2؛ موسی Shamsi3؛ علی فهمی جعفرقلخانلو4 | ||
| 1دانشکده مهندسی پزشکی، دانشگاه صنعتی سهند تبریز، تبریز، ایران | ||
| 2دانشگاه صنعتی سهند تبریز | ||
| 3عضو هیات علمی / دانشکده مهندسی پزشکی، دانشگاه صنعتی سهند | ||
| 4گروه 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 | ||
| تشخیص بیماری آلزایمر؛ تصاویر MRI مغز؛ یادگیری ماشین؛ طبقه بندی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 44 |
||