Journal of Health and Biomedical Informatics

fa تشخیص خودکار و دقیق بیماری آلزایمر از روی تصاویر MRI به وسیله‌ شبکه عصبی کانولوشنی عمیق بهبود یافته Automatic and Accurate Diagnosis of Alzheimer's Disease from MRI Images Improved by Deep Convolutional Neural Network هوش مصنوعی در حوزه سلامت Artificial Intelligence in Healthcare پژوهشي اصیل Original Article   <div style="text-align: justify;">مقدمه: شناسایی و تشخیص بیماری آلزایمر موجود در بافت مغز از چالش‌های جدی شناسایی در حوزه پردازش تصاویر پزشکی است. در حال حاضر MRI، متداول‌ترین راه تشخیص آلزایمر در بین روش‌های تصویربرداری می‌باشد. عدم شناسایی صحیح بافت درگیر می‌تواند منجر به تشخیص نادرست به عنوان بافت سالم مغزی شود. الگوریتم یادگیری عمیق به عنوان فرآیند تشخیص ویژگی‌های مرتبط، اطلاعات مفید را استخراج می‌کند؛ لذا این پژوهش سعی دارد با استفاده از شبکه عصبی کانولوشنال در پردازش تصاویر پزشکی با دقت بهتری، نسبت به کارهای گذشته در تشخیص، انجام دهد. روش: با استفاده از شبکه عصبی کانولوشنی طراحی شده استخراج ویژگی‌های تصاویر  T1MRI  صورت گرفته است. تصاویر آلزایمر با استفاده از نرم افزار Matlab2023a تحلیل شده‌اند و خروجی‌های مد نظر حاصل شده‌اند. نتایج: تصاویر آلزایمر مغزی T1 پس از پیش پردازش و ورود به شبکه عصبی عمیق طراحی شده، مورد بررسی قرار گرفته‌اند که در خروجی حاصل از الگوریتم پیشنهادی، دقت شناسایی و سرعت شناسایی الگوریتم با بهبود ابر پارامترها در مقایسه با سایر روش‌های معمول بالاتر بود که دقت 96% و حساسیت 100% در شناسایی ارائه کرده است. نتیجه‌گیری: هدف از الگوی یادگیری عمیق این است که داده‌های تصویری با ابعاد بزرگ و تعداد زیاد  به شکل قابل فهم برای ماشین‌ها درآیند. انتظار می‌رود در آینده استخراج ویژگی با دقت بیشتری انجام شود و جزئیات بیشتری جهت بازشناسی اشیاء در تصویر، در اختیار سیستم‌های بینایی ماشین قرار گیرد.  </div> <div id="gtx-trans" style="position: absolute; left: 771px; top: 163.014px;"><div class="gtx-trans-icon"></div></div> <div style="text-align: justify;">Introduction: Identifying and diagnosing Alzheimer's disease in brain tissue is one of the serious challenges in diagnosis in the field of medical image processing. Currently, MRI is the most common way to diagnose Alzheimer's disease, and failure to correctly identify the tissue involved in it can lead to incorrect diagnosis as healthy brain tissue. Deep learning algorithm as a process of detecting features related to damaged tissue and extracting useful information. In this research, we decided to use the convolutional neural network in the processing of medical images so that we can perform the diagnosis with better accuracy than the previous works. Methods: Using a convolutional neural network, the features of MRI images have been extracted. Alzheimer's images have been analyzed using Matlab2023a software and the intended outputs have been obtained. Results: Brain Alzheimer's images have been analyzed after pre-processing and entering the deep neural network, and in the output of the proposed algorithm, the identification accuracy and identification speed of the algorithm with the improvement of cloud parameters was higher compared to other common methods, which was 96% accuracy. presented in identification. Conclusion: The purpose of using deep learning is to make image data with large dimensions and a large number into a conceptual form for machines. It is expected that in the future feature extraction will be done more accurately and more details will be available to machine vision systems to recognize objects in the image.  </div> بیماری آلزایمر, شبکه عصبی کانولوشن, یادگیری عمیق, تصاویر MRI Alzheimer's disease, convolutional neural network, deep learning, MRI images 326 336 http://jhbmi.ir/browse.php?a_code=A-10-703-4&slc_lang=fa&sid=1 Mahsa Taghavizadeh مهسا تقوی زاده m.taghavizadeh@student.uma.ac.ir 10031947532846009903 10031947532846009903 No M.S.c in Mecatronic Engineering, Faculty of Electrical and Computer Engineering, University of Mohaghegh Ardabili, Ardabil, Iran کارشناسی ارشد مکاترونیک، گروه مهندسی برق و کامپیوتر، دانشکده فنی و مهندسی، دانشگاه محقق اردبیلی، اردبیل، ایران Mehdi Nooshyar مهدی نوشیار Nooshyar@uma.ac.ir 10031947532846009904 10031947532846009904 No Ph.D in Communication Science, Faculty of Electrical and Computer Engineering, University of Mohaghegh Ardabili, Ardabil, Iran دکترا مخابرات سیستم، گروه مهندسی برق و کامپیوتر، دانشکده فنی و مهندسی، دانشگاه محقق اردبیلی، اردبیل، ایران Adel Akbarimajd عادل اکبری مجد akbarimajd@uma.ac.ir 10031947532846009905 10031947532846009905 No Ph.D in Control Engineering, Faculty of Electrical and Computer Engineering, University of Mohaghegh Ardabili, Ardabil, Iran دکترا رباتیک، گروه مهندسی برق و کامپیوتر، دانشکده فنی و مهندسی، دانشگاه محقق اردبیلی، اردبیل، ایران Sahand Shahalinezhad سهند شاهعلی نژاد m.s.shahalinejad@urumi.ac.ir 10031947532846009906 10031947532846009906 Yes M.S.c in Biomedical Engineering, Faculty of Electrical and Computer Engineering, Urmia Graduate Institute of Electrical Engineering, Urmia, Iran کارشناسی ارشد مهندسی پزشکی، گروه مهندسی پزشکی، مؤسسه آموزش عالی ارومیه، ارومیه، ایران