Alzheimer’s disease classification from MRI using visiontransformer

• Autorzy: Kandi Mohith Reddy , Kothapalli Sree Vijaya Lakshmi , Rajanala Sivamsh Pavan , Koneru Suvarna Vani , Vattikunta Vishnu Pramukh

Identyfikatory

DOI

10.35784/iapgos.6937

Warianty tytułu

PL

Klasyfikacja choroby Alzheimera na podstawie MRI przy użyciu transformera wizyjnego

• Języki publikacji: EN

Abstrakty

EN

Alzheimer’s disease (AD) is a progressive neurodegenerative disorder that presents significant challenges for early diagnosisand intervention. Traditional approaches for diagnosing AD using MRI images are labor-intensiveand often subjective, resulting in the need for automated, accurate solutions to support clinicians in early-stage detection. This study investigates the use of vision transformer (ViT) for the classification of Alzheimer's disease stages using MRI images. By treating MRI imagesas sequences of tokens, ViT models capture both global and local spatial dependencies, which enhances their ability to recognize structural brain changes characteristic of AD. The model was trained on a diverse dataset containing four AD categories–Moderate Demented, Mild Demented, Very Mild Demented, and Non-Demented–achievingan overall classification accuracy of 98.9%. This result highlights the efficacy of transformer-based models in distinguishing between subtle structural brain alterations. Future directions for this study include fine-tuning the model on larger datasets and exploring the integration of multi-modal data to further support AD diagnosis and treatment strategies. The findings indicate that vision transformer have the potential to transform diagnostic imaging for neurodegenerative disorders by providing a robust, scalable,and precise tool for early AD detection.

PL

Choroba Alzheimera (AD) jest postępującą chorobą neurodegeneracyjną, która stanowi poważne wyzwanie dla wczesnej diagnostyki i interwencji. Tradycyjne metody diagnozowania AD przy użyciu obrazów MRI są pracochłonne i często subiektywne, co powoduje potrzebę stosowania zautomatyzowanych, dokładnych rozwiązań wspierających lekarzy w wykrywaniu choroby we wczesnym stadium. Niniejsze badanie dotyczy wykorzystania transformera wizyjnego (ViT) do klasyfikacji stadiów choroby Alzheimera na podstawie obrazów MRI. Traktując obrazy MRI jako sekwencje tokenów, modele ViT wychwytują zarówno globalne, jak i lokalne zależności przestrzenne,co zwiększa ich zdolność do rozpoznawania zmian strukturalnych w mózgu charakterystycznych dla AD. Model został wytrenowany na zróżnicowanym zbiorze danych zawierającym cztery kategorie AD–umiarkowaną demencję, łagodną demencję, bardzo łagodną demencję i brak demencji–osiągając ogólną dokładność klasyfikacjina poziomie 98,9%. Wynik ten podkreśla skuteczność modeli opartych na transformerach w rozróżnianiu subtelnych zmian strukturalnych w mózgu. Przyszłe kierunki badań obejmują dostosowanie modelu do większych zbiorów danych oraz zbadanie możliwości integracji danych multimodalnych w celu dalszego wsparcia diagnostyki i strategii leczenia choroby Alzheimera. Wyniki wskazują, że transformer wizyjny ma potencjał, aby zrewolucjonizować diagnostykę obrazową zaburzeń neurodegeneracyjnych, zapewniając solidne, skalowalne i precyzyjne narzędzie do wczesnego wykrywania choroby Alzheimera.

Słowa kluczowe

EN

Alzheimer’s disease; classification; dementia stages; magnetic resonance imaging; neurodegenerative disorder; vision transformer

PL

choroba Alzheimera; klasyfikacja; stadia demencji; obrazowanie metodą rezonansu magnetycznego; zaburzenia neurodegeneracyjne; transformer wizyjny

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2025
• Tom: T. 15, nr 3
• Strony: 38--44
• Opis fizyczny: Bibliogr. 20 poz., rys., tab.

Twórcy

autor

Kandi Mohith Reddy

• Velagapudi Ramakrishna Siddhartha Engineering College, Department of Computer Science and Engineering, Vijayawada,India

• https://orcid.org/0009-0001-2928-4110+

autor

Kothapalli Sree Vijaya Lakshmi

• Velagapudi Ramakrishna Siddhartha Engineering College, Department of Computer Science and Engineering, Vijayawada,India

• https://orcid.org/0000-0003-1595-3931+

autor

Rajanala Sivamsh Pavan

• Velagapudi Ramakrishna Siddhartha Engineering College, Department of Computer Science and Engineering, Vijayawada,India

• https://orcid.org/0009-0005-2851-5641+

autor

Koneru Suvarna Vani

• Velagapudi Ramakrishna Siddhartha Engineering College, Department of Computer Science and Engineering, Vijayawada,India

• https://orcid.org/0000-0003-4608-6308+

autor

Vattikunta Vishnu Pramukh

• Velagapudi Ramakrishna Siddhartha Engineering College, Department of Computer Science and Engineering, Vijayawada,India

• https://orcid.org/0009-0009-2902-7999+

Bibliografia

• [1] Almadhoun H. R., Abu-Naser S. S.: Classification of alzheimer’s disease using traditional classifiers with pre-trained CNN. International Journal of Academic Health and Medical Research (IJAHMR) 5(4), 2021, 17–21.
• [2] Azad R., et al.: Advances in medical image analysis with vision transformers: a comprehensive review. Medical Image Analysis 91, 2024, 103000.
• [3] Dosovitskiy A.: An image is worth 16x16 words: Transformers for image recognition at scale. arXiv preprint arXiv:2010.11929, 2020.
• [4] Frisoni G. B., et al.: The clinical use of structural MRI in Alzheimer disease. Nature reviews neurology 6(2), 2010, 67–77.
• [5] Hazarika R. A., et al.: An approach for classification of Alzheimer’s disease using deep neural network and brain magnetic resonance imaging (MRI). Electronics 12(3), 2023, 676.
• [6] He K., et al.: Deep residual learning for image recognition. IEEE conference on computer vision and pattern recognition, 2016.
• [7] Jack Jr C. R., et al.: NIA‐AA research framework: toward a biological definition of Alzheimer's disease. Alzheimer's & dementia 14(4), 2018, 535–562.
• [8] Khan S., et al.: Transformers in vision: A survey. ACM computing surveys (CSUR) 54(10s), 2022, 1–41.
• [9] Mondal A. K., et al.: xViTCOS: explainable vision transformer based COVID 19 screening using radiography. IEEE Journal of Translational Engineering in Health and Medicine 10, 2021, 1–10.
• [10] Pradhan A., Gige J., Eliazer M.: Detection of Alzheimer’s disease (AD) in MRI images using deep learning. Int. J. Eng. Res. Technol 10(3), 2021, 580–585.
• [11] Saleem T. J., et al.: Deep learning-based diagnosis of Alzheimer’s disease. Journal of Personalized Medicine 12(5), 2022, 815.
• [12] Samhan L. F., et al.: Classification of Alzheimer's disease using convolutional neural networks. International Journal of Academic Information Systems Research (IJAISR) 6(3), 2022, 18–23.
• [13] Sarraf S., et al.: DeepAD: Alzheimer’s disease classification via deep convolutional neural networks using MRI and fMRI. BioRxiv, 2016, 070441 [https://doi.org/10.1101/070441].
• [14] Sethi M., et al.: [Retracted] An Exploration: Alzheimer’s Disease Classification Based on Convolutional Neural Network. BioMed Research International 2022(1), 2022, 8739960.
• [15] Shamrat F. M. J. M., et al.: AlzheimerNet: An effective deep learning based proposition for alzheimer’s disease stages classification from functional brain changes in magnetic resonance images. IEEE Access 11, 2023, 16376–16395.
• [16] Sorour S. E., et al.: Classification of Alzheimer’s disease using MRI data based on Deep Learning Techniques. Journal of King Saud University-Computer and Information Sciences 36(2), 2024, 101940.
• [17] Tanveer M., et al.: Classification of Alzheimer’s disease using ensemble of deep neural networks trained through transfer learning. IEEE Journal of Biomedical and Health Informatics 26(4), 2021, 1453–1463.
• [18] Wen J., et al.: Convolutional neural networks for classification of Alzheimer’s disease: Overview and reproducible evaluation. Medical image analysis 63, 2020, 101694.
• [19] World Health Organization: Dementia. 2021 [https://www.who.int/newsroom/fact-sheets/detail/dementia].
• [20] 2020 Alzheimer's disease facts and figures. Alzheimer's dementia 16, 2020, 391–460 [https://doi.org/10.1002/alz.12068].