Un nuevo marco para la clasificación de diferentes etapas de la enfermedad de Alzheimer utilizando el modelo CNN
Autores: Mohi ud din dar, Gowhar; Bhagat, Avinash; Ansarullah, Syed Immamul; Othman, Mohamed Tahar Ben; Hamid, Yasir; Alkahtani, Hend Khalid; Ullah, Inam; Hamam, Habib
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Un nuevo marco para la clasificación de diferentes etapas de la enfermedad de Alzheimer utilizando el modelo CNN
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Alzheimer
Demencia
Redes neuronales
Conjuntos de imágenes de resonancia magnética (MRI)
MobileNet
Modelo de clasificación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 33
Citaciones: Sin citaciones
Antecedentes: El Alzheimer, la forma predominante de demencia, es un trastorno cerebral neurodegenerativo sin cura conocida. Con la falta de hallazgos innovadores para diagnosticar y tratar el Alzheimer, se estima que el número de personas de mediana edad con demencia aumentará casi a 13 millones para finales de 2050. El costo estimado del Alzheimer y otras dolencias relacionadas es de USD321 mil millones en 2022 y puede superar los USD1 billón para finales de 2050. Por lo tanto, la predicción temprana de tales enfermedades utilizando sistemas asistidos por computadora es un tema de considerable interés y estudio sustancial entre académicos. El objetivo principal es desarrollar un marco integral para el inicio más temprano y la categorización de las diferentes fases del Alzheimer. Métodos: El trabajo experimental de este enfoque novedoso se realiza implementando redes neuronales (CNN) en conjuntos de datos de imágenes de resonancia magnética (MRI). Se clasifican múltiples clases de sujetos con enfermedad de Alzheimer. Utilizamos el determinante de aprendizaje por transferencia para aprovechar los beneficios de modelos pre-entrenados de clasificación de datos de salud, como el MobileNet. Resultados: Para la evaluación y comparación del modelo propuesto, se utilizan varios indicadores de rendimiento. Los resultados de las pruebas revelan que el método de arquitecturas de CNN tiene las siguientes características: estructuras simples apropiadas que mitigan la carga computacional, el uso de memoria y el sobreajuste, además de ofrecer un tiempo mantenible. El modelo pre-entrenado MobileNet ha sido ajustado y ha logrado una precisión del 96.6 por ciento para clasificaciones de etapas de AD multiclasificación. Otros modelos, como VGG16 y ResNet50, se aplican al mismo conjunto de datos durante esta investigación, y se revela que este modelo produce mejores resultados que otros modelos. Conclusión: El estudio desarrolla un marco novedoso para la identificación de las diferentes etapas de AD. La principal ventaja de este enfoque novedoso es la creación de redes neuronales ligeras. El modelo MobileNet se utiliza principalmente para aplicaciones móviles y rara vez se utilizaba para análisis de imágenes médicas; por lo tanto, implementamos este modelo para la detección de enfermedades y produjo mejores resultados que los modelos existentes.
Descripción
Antecedentes: El Alzheimer, la forma predominante de demencia, es un trastorno cerebral neurodegenerativo sin cura conocida. Con la falta de hallazgos innovadores para diagnosticar y tratar el Alzheimer, se estima que el número de personas de mediana edad con demencia aumentará casi a 13 millones para finales de 2050. El costo estimado del Alzheimer y otras dolencias relacionadas es de USD321 mil millones en 2022 y puede superar los USD1 billón para finales de 2050. Por lo tanto, la predicción temprana de tales enfermedades utilizando sistemas asistidos por computadora es un tema de considerable interés y estudio sustancial entre académicos. El objetivo principal es desarrollar un marco integral para el inicio más temprano y la categorización de las diferentes fases del Alzheimer. Métodos: El trabajo experimental de este enfoque novedoso se realiza implementando redes neuronales (CNN) en conjuntos de datos de imágenes de resonancia magnética (MRI). Se clasifican múltiples clases de sujetos con enfermedad de Alzheimer. Utilizamos el determinante de aprendizaje por transferencia para aprovechar los beneficios de modelos pre-entrenados de clasificación de datos de salud, como el MobileNet. Resultados: Para la evaluación y comparación del modelo propuesto, se utilizan varios indicadores de rendimiento. Los resultados de las pruebas revelan que el método de arquitecturas de CNN tiene las siguientes características: estructuras simples apropiadas que mitigan la carga computacional, el uso de memoria y el sobreajuste, además de ofrecer un tiempo mantenible. El modelo pre-entrenado MobileNet ha sido ajustado y ha logrado una precisión del 96.6 por ciento para clasificaciones de etapas de AD multiclasificación. Otros modelos, como VGG16 y ResNet50, se aplican al mismo conjunto de datos durante esta investigación, y se revela que este modelo produce mejores resultados que otros modelos. Conclusión: El estudio desarrolla un marco novedoso para la identificación de las diferentes etapas de AD. La principal ventaja de este enfoque novedoso es la creación de redes neuronales ligeras. El modelo MobileNet se utiliza principalmente para aplicaciones móviles y rara vez se utilizaba para análisis de imágenes médicas; por lo tanto, implementamos este modelo para la detección de enfermedades y produjo mejores resultados que los modelos existentes.