نرگس سادات یاسینی - دانشجوی کارشناسی ارشد، دانشگاه صنعتی قم، قم، ایران
هادی زیانی - دانشیار، دانشگاه صنعتی قم، قم، ایران
روز به رجبی - استادیار، دانشگاه صنعتی قم، قم، ایران

بیماری آلزایمر (AD) یک بیماری تخریب کننده عصبی پیش رونده و غیرقابل برگشت است که بر شناخت، عملکرد و رفتار تاثیر می گذارد. بیماری آلزایمر در امتدادیک زنجیره از بیماری پیش بالینی، در ابتدا با اختلال خفیف شناختی و یا رفتاری است و با پیشرفت بیماری به زوال عقل بیمار آلزایمری می انجامد. تشخیص زود هنگام بیماری آلزایمر را می توان از طریق تجزیه و تحلیل خودکار تصاویر MRI با یادگیری ماشین به دست آورد. اخیرا نشان داده شده است که در برخی موارد الگوریتم های یادگیری ماشین می توانند بیماری آلزایمر را بهتر از پزشکان پیش بینی کنند و آن را به یک زمینه مهم تحقیقاتی برای تشخیص به کمک رایانه تبدیل کرده است، در حالی که روش های آماری یادگیری ماشین مانند بردار پشتیبان (SVM) موفقیت اولیه را در تشخیص خودکار بیماری آلزایمر نشان داده است اخیرا روش های یادگیری عمیق مانند شبکه های عصبی کانولوشنال (CNN) و پرسپترون چند لایه (MLP) خود رمزگذارها و روش های دیگر در تشخیص این بیماری استفاده می شود. در این مقاله، برای تشخیص این بیماری ادغام دو شبکه SVM و MLP را پیشنهاد داده ایم و از مجموعه ای شامل کلاسفایرها که بر روی رای اکثریت کار می کنند، استفاده شده است. همچنین استراتژی اعتبارسنجی متقابل ده برابری برای ارزیابی طرح ما اعمال می شود. نتایج شبیه سازی نشان می دهد که الگوریتم پیشنهادی منجر به افزایش دقت در تشخیص بیماری آزایمر می شود.

بیماری آلزایمر، یادگیری ماشین، تصویر برداری، شبکه عصبی کانولوشنال