Amélioration du diagnostic et de la stadification de la maladie d'Alzheimer : un cadre CNN multi-étapes utilisant l'IRM

Cette étude aborde l'impact omniprésent et débilitant de la maladie d'Alzheimer (MA) sur les individus et la société, mettant en évidence le besoin crucial d'un diagnostic précoce. Nous présentons un cadre basé sur un réseau de neurones convolutionnel (CNN) multi-étapes pour la détection et la sous-classification de la MA, utilisant l'imagerie par résonance magnétique (IRM) cérébrale. Après prétraitement, un modèle CNN de 26 couches a été conçu pour différencier les individus en bonne santé et les patients atteints de démence. Après avoir détecté la démence, le modèle CNN de 26 couches a été réutilisé en utilisant le concept d'apprentissage par transfert pour sous-classifier davantage la démence en démence légère, modérée et sévère. L'exploitation des poids congelés du CNN développé sur des images médicales corrélées a facilité le processus d'apprentissage par transfert pour la sous-classification des classes de démence. Un ensemble de données sur la MA en ligne est utilisé pour vérifier les performances du cadre proposé basé sur le CNN multi-étapes. L'approche proposée a donné une précision remarquable de 98,24 % dans l'identification des classes de démence, tandis qu'elle a atteint une précision de 99,70 % dans la sous-classification de la démence. Un autre ensemble de données a été utilisé pour valider davantage le cadre proposé, ce qui a donné 100 % de performance. Des évaluations comparatives par rapport à des modèles pré-entraînés et à la littérature actuelle ont également été réalisées, soulignant l'utilité et la supériorité du cadre proposé et le présentant comme une méthode robuste et efficace pour la détection et la sous-classification de la MA.