Automatic detection of Alzheimer's disease based on artificial intelligence

• Autorzy: Benba Achraf , Abdelilah Kerchaoui

Identyfikatory

DOI

10.35784/iapgos.3383

Warianty tytułu

PL

Automatyczne wykrywanie choroby Alzheimera w oparciu o sztuczną inteligencję

• Języki publikacji: EN

Abstrakty

EN

Alzheimer's disease is a neurodegenerative disease that progressively destroys neurons through the formation of platelets that prevent communication between neurons. The study carried out in this project aims to find a precise and relevant diagnostic solution based on artificial intelligence and which helps in the early detection of Alzheimer's disease in order to stop its progression. The study went through a process of processing MRI images followed by training of three deep learning algorithms (VGG-19, Xception and DenseNet121) and finally by a step of testing and predicting the results. The results of the accuracy metric obtained for the three algorithms were respectively 98%, 95%, 91%.

PL

Choroba Alzheimera jest chorobą neurodegeneracyjną, która stopniowo niszczy neurony poprzez tworzenie płytek krwi, które uniemożliwiają komunikację między neuronami. Badania prowadzone w ramach tego projektu mają na celu znalezienie precyzyjnego i trafnego rozwiązania diagnostycznego opartego na sztucznej inteligencji, które pomoże we wczesnym wykryciu choroby Alzheimera w celu zatrzymania jej postępu. Badanie przeszło przez proces przetwarzania obrazów MRI, po którym następowało szkolenie trzech algorytmów głębokiego uczenia (VGG-19, Xception i DenseNet121), a na koniec etap testowania i przewidywania wyników. Wyniki metryki dokładności otrzymane dla trzech algorytmów wyniosły odpowiednio 98%, 95%, 91%.

Słowa kluczowe

EN

Alzheimer’s disorder; artificial intelligence; deep learning; signal processing

PL

choroba Alzheimera; sztuczna inteligencja; głębokie uczenie się; przetwarzanie sygnału

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2023
• Tom: T. 13, nr 1
• Strony: 18--21
• Opis fizyczny: Bibliogr. 10 poz., tab., wykr.

Twórcy

autor

Benba Achraf

• Mohammed V University in Rabat, Ecole Nationale Supérieure d'Arts et Métiers, Electronic Systems Sensors and Nanobiotechnologies, Rabat, Morocco

• https://orcid.org/0000-0001-7939-0790

autor

Abdelilah Kerchaoui

• Mohammed V University in Rabat, Ecole Nationale Supérieure d'Arts et Métiers, Electronic Systems Sensors and Nanobiotechnologies, Rabat, Morocco

• https://orcid.org/0009-0004-9561-5960

Bibliografia

• [1] Albawi S. et al.: Understanding of a convolutional neural network. International conference on engineering and technology (ICET), IEEE, 2017, 1–6.
• [2] Brownlee J.: Gentle introduction to the Adam optimization algorithm for deep learning. Machine Learning Mastery 3, 2017.
• [3] Chollet F.: Xception: Deep learning with depthwise separable convolutions. Proceedings of the IEEE conference on computer vision and pattern recognition, 2017, 1251–1258.
• [4] Jain R. et al.: Convolutional neural network based Alzheimer’s disease classification from magnetic resonance brain images. Cognitive Systems Research 57, 2019, 147–159.
• [5] Kaplan E. et al.: Feed-forward LPQNet based automatic alzheimer's disease detection model. Computers in Biology and Medicine 137, 2021, 104828.
• [6] Liu M. et al.: A multi-model deep convolutional neural network for automatic hippocampus segmentation and classification in Alzheimer’s disease. Neuroimage 208, 2020, 116459.
• [7] Shanmugam J. V. et al.: Alzheimer’s disease classification using pre-trained deep networks. Biomedical Signal Processing and Control 71, 2022, 103217.
• [8] Szegedy C. et al.: Inception-v4, inception-resnet and the impact of residual connections on learning. Thirty-first AAAI conference on artificial intelligence, 2017.
• [9] World Health Organization, 2012. Dementia: a public health priority. World Health Organization.
• [10] Yang K. et al.: Towards fairer datasets: Filtering and balancing the distribution of the people subtree in the imagenet hierarchy. Proceedings of the 2020 conference on fairness, accountability, and transparency, 547–558.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).