Reconnaissance par IRM de la maladie d'Alzheimer basée sur des réseaux de neurones convolutifs

La maladie d'Alzheimer (MA) est un trouble neurodégénératif s'aggravant progressivement, où un diagnostic précoce est crucial pour la mise en œuvre de stratégies de gestion efficaces de la maladie. Dans les parcours diagnostiques multimodaux, l'imagerie par résonance magnétique (IRM) joue un rôle fondamental en tant que technique d'imagerie non invasive pour l'identification de la maladie et le suivi de sa progression. L'apprentissage profond, en particulier les réseaux de neurones convolutifs (CNN), peut extraire des biomarqueurs clés à partir de données d'imagerie complexes. En formant des modèles CNN pour interpréter automatiquement les IRM, les experts en radiologie peuvent utiliser ces outils analytiques avancés pour des évaluations pathologiques plus efficaces et cohérentes, améliorant ainsi les systèmes de soutien à la décision clinique. Cette étude développe une méthode basée sur l'apprentissage profond pour la classification automatique des images IRM cérébrales liées à Alzheimer, utilisant des réseaux neurones convolutifs pour classer les IRM en quatre stades : pas de démence, démence très légère, démence légère et démence modérée. Un modèle CNN est construit, apprenant les caractéristiques distinctives des images grâce à une extraction de caractéristiques à plusieurs niveaux et effectuant une visualisation des cartes de caractéristiques. Un arrêt précoce est utilisé pour éviter le surapprentissage. Le modèle est formé sur un ensemble d'apprentissage et évalué sur un ensemble de test, avec des métriques de performance incluant la matrice de confusion, la précision, la spécificité, le score F1, le coefficient Kappa, le coefficient de Matthew, la courbe ROC avec valeur AUC, et la courbe PQ avec valeur AP. Les résultats montrent que le modèle proposé différencie efficacement les différentes catégories d'images IRM, fournissant des outils précieux pour un diagnostic précoce et un suivi de l'état.