Classification de la maladie d'Alzheimer à l'aide de données IRM basées sur des techniques d'apprentissage approfondi

La maladie d'Alzheimer (MA) est une préoccupation mondiale qui touche des millions de personnes, sans traitement efficace connu à ce jour. Contrairement au cancer, qui a vu des améliorations dans la prévention de sa progression, la détection précoce reste cruciale pour gérer le fardeau de la MA. Cet article propose une approche novatrice AD-DL pour détecter la MA précoce en utilisant des techniques d'apprentissage approfondi (DL). Le jeu de données se compose d'images d'imagerie par résonance magnétique cérébrale (IRM) utilisées pour évaluer et valider le modèle proposé. La méthode comprend des étapes de prétraitement, d'entraînement du modèle DL et d'évaluation. Cinq modèles DL avec extraction de caractéristiques autonome et classification binaire sont présentés. Les modèles sont divisés en deux catégories : sans augmentation de données (sans-Aug), qui inclut CNN-sans-AUG, et avec augmentation de données (avec-Aug), qui inclut CNNs-avec-Aug, CNNs-LSTM-avec-Aug, CNNs-SVM-avec-Aug, et apprentissage par transfert utilisant VGG16-SVM-avec-Aug. L'objectif principal est de construire un modèle avec la meilleure précision de détection, rappel, précision, score F1, temps d'entraînement et temps de test. Le jeu de données est utilisé pour évaluer la méthodologie recommandée, montrant des résultats encourageants. Les résultats expérimentaux montrent que CNN-LSTM est supérieur, avec un pourcentage de précision de 99,92 %. Les résultats de cette étude jettent les bases pour de futures recherches basées sur DL dans l'identification de la MA.