تشخیص بیماری آلزایمر با استفاده از شبکه عصبی عمیق U-Net و الگوریتم هوش جمعی سالپ

یک سیستم برای تشخیص بیماری آلزایمر یک کار کاملا ظریف و مستلزم تسلط کامل بر تکنیک های پیشرفته مانند یادگیری عمیق است. روش‎شناسی با استفاده از تکنیک های یادگیری عمیق کاملا امیدوار کننده بوده و موفقیت بالایی را در قطعه‎بندی و طبقه‎بندی تصاویر نشان داده است. شبکه های عصبی کانولوشن به یکی از پرکاربردترین معماری های یادگیری عمیق برای انجام وظایف یادگیری ماشین بطور خودکار تبدیل شده اند. مدل پیشنهادی با توجه به پیچیدگی مسئله تشخیص آلزایمر با استفاده از شبکه عصبی کانولوشن با یادگیری عمیق U-net ارائه شده است و در آن برای اطمینان از طبقه بندی قوی اشیا شناسایی شده، به جای طبقه بندی معمولی، از یک لایه مبتنی بر فازی c میانگین و الگوریتم هوش جمعی سالپ استفاده شده است. هدف این لایه تعریف کلاس هایی است که اشیا شناسایی شده به آن ها تعلق دارند. درواقع خوشه بندی فازی c میانگین جزئیات بیشتری را در مورد تصویر تقسیم شده ارائه می دهد و چون ممکن است این روش بر نتایج ضعیف تاکید کند درصورتی که اطلاعات همسایه ها نادیده گرفته شوند و همچنین اگر مرکز اولیه خوشه بد انتخاب شود، کل سیستم می تواند در بهینه محلی گیر کند، بنابراین برای غلبه بر این مشکلات، از الگوریتم بهینه سازی هوش جمعی سالپ استفاده شده است. نتایج روش های شبکه عصبی کانالوشن با دقت % ۸۹/۵، روش UNet با دقت %۹۰/۵ ، روش پیشنهادی PSO با دقت ۹۳/۸ و روش SSA با دقت %۹۶/۲ همراه بوده است. نتیجه‎گیری نهایی این است که مدل UNet به طور میانگین ۱/۲۷ درصد بهتر از شبکه عصبی کانالوشن و روش پیشنهادی ما SSA به طور میانگین ۲/۸۴ درصد بهتر از روش PSOعمل کرده است و همچنین روش پیشنهادی حدود ۲۲ درصد نسبت به روش PSO کاهش زمان آموزش و آزمایش داشته است.

کلیدواژه ها:

بیماری آلزایمر ، روش UNet ، خوشه بندی فازی C میانگین ، الگوریتم هوش جمعی سالپ