Ein neues Rahmenwerk zur Klassifizierung verschiedener Alzheimer-Krankheitsstadien mithilfe eines CNN-Modells

Hintergrund: Alzheimer, die vorherrschende Form der Demenz, ist eine neurodegenerative Erkrankung des Gehirns ohne bekannte Heilung. Angesichts des Mangels an innovativen Erkenntnissen zur Diagnose und Behandlung von Alzheimer wird geschätzt, dass die Zahl der mittelalten Menschen mit Demenz bis Ende 2050 auf fast 13 Millionen ansteigen wird. Die geschätzten Kosten für Alzheimer und andere verwandte Erkrankungen belaufen sich im Jahr 2022 auf 321 Milliarden USD und können bis Ende 2050 auf über 1 Billion USD steigen. Daher ist die frühzeitige Vorhersage solcher Krankheiten mithilfe computerunterstützter Systeme ein Thema von beträchtlichem Interesse und erheblichem Studienaufwand unter Wissenschaftlern. Das Hauptziel ist die Entwicklung eines umfassenden Rahmens für den frühesten Beginn und die Kategorisierung der verschiedenen Phasen von Alzheimer. Methoden: Die experimentelle Arbeit dieses neuartigen Ansatzes wird durch die Implementierung von neuronalen Netzen (CNN) auf MRI-Bilddatensätzen durchgeführt. Fünf Klassen von Alzheimer-Krankheitssubjekten werden mehrklassig klassifiziert. Wir haben das Transferlernen genutzt, um von vortrainierten Modellen zur Klassifizierung von Gesundheitsdaten wie MobileNet zu profitieren. Ergebnisse: Zur Bewertung und zum Vergleich des vorgeschlagenen Modells werden verschiedene Leistungskennzahlen verwendet. Die Testergebnisse zeigen, dass die CNN-Architekturen folgende Eigenschaften besitzen: angemessene einfache Strukturen, die die Rechenlast, den Speicherbedarf und das Overfitting verringern, sowie eine wartbare Zeit bieten. Das vortrainierte Modell MobileNet wurde feinabgestimmt und hat eine Genauigkeit von 96,6 Prozent für die Mehrklassenklassifizierung des AD-Stadiums erreicht. Andere Modelle wie VGG16 und ResNet50 wurden im Rahmen dieser Forschung auf denselben Datensatz angewendet und es zeigte sich, dass dieses Modell bessere Ergebnisse als andere Modelle liefert. Fazit: Die Studie entwickelt ein neuartiges Rahmenwerk zur Identifizierung verschiedener AD-Stadien. Der Hauptvorteil dieses neuartigen Ansatzes ist die Schaffung leichtgewichtiger neuronaler Netze. Das MobileNet-Modell wird hauptsächlich für mobile Anwendungen verwendet und selten für die medizinische Bildanalyse; daher haben wir dieses Modell zur Krankheitsdiagnose implementiert und bessere Ergebnisse erzielt als bestehende Modelle.