الفهرس 
IntroductionOnly 14 pages are availabe for public view
 |  | from | 127 |  |  |
| | | from | 127 | | |
Abstract
مرض الزهايمر (AD) هو أحد أشكال اضطراب العقل الذي يسبب فقدانًا وظيفيًا في الأنشطة اليومية للشخص. نظرًا للانتشار الهائل لمرضى الزهايمر والافتقار إلى أدوات التشخيص الدقيقة، فإن الكشف المبكر عن مرض الزهايمر وتصنيفه هي مجالات بحث مفتوحة. يعد الاكتشاف الدقيق لمرض الزهايمر بطريقة فعالة أحد أهداف العديد من الباحثين للحد من تقدم المرض أو التغلب عليه. نتيجة لتطور هذه الدراسات واكتشاف العديد من المؤشرات الحيوية المثالية لأعراض مرض الزهايمر، أصبح من الواضح أن التشخيص المبكر يتطلب أداة حسابية عالية الأداء للتعامل مع مثل هذه الكميات الكبيرة من البيانات، كما يوفر التشخيص المبكر لمرض الزهايمر يساعد في توفير فرص العلاج للمريض قبل تدهور الحالة الصحية. تتمثل الأهداف الرئيسية للرسالة في (1) تقديم أحدث الدراسات للكشف المبكر عن مرض الزهايمر وتصنيفه في إطار نهج التعلم العميق الحديث. (2) تقدم مراحل النظام لتشخيص مرض الزهايمر شرحًا مبسطًا مثل التصوير، والمعالجة المسبقة، والتعلم، والتصنيف. يتناول الفئات الواسعة للتصوير الهيكلي والوظيفي والجزيئي في مرض الزهايمر. الطرائق المشمولة هي التصوير بالرنين المغناطيسي MRI; both structural and functional and positron emission tomography لتقييم كل من التمثيل الغذائي الدماغي والأميلويد. (3) تقديم أنواع معالجة الصور لتحسين الجودة.بالإضافة إلى ذلك، ستتم مناقشة تقنيات التعلم العميق الأكثر شيوعًا المستخدمة في عملية التصنيف. (4) مناقشة الحلول المختلفة المقترحة من خلال الدراسات المرتبطة بمرض الزهايمر والتشخيص وكيفية التغلب عليها. عند تقييم وتحليل الدراسات الحالية. (5) اقتراح نظام لتشخيص مرض الزهايمر يعتمد على مناهج التعلم العميق والشبكات العصبية التلافيفية (CNN). يتم تنفيذ أربع مراحل من تشخيص مرض الزهايمر، مثل (1) معالجة الصور وإعداد البيانات، (2) زيادة البيانات، (3) cross validation، و (4) التصنيف واستخراج الميزات بناءً على التعلم العميق لتصنيف الصور الطبية. في هذه المراحل، يتم تنفيذ طريقتين. الطريقة الأولى تستخدم بنية CNN بسيطة. في الطريقة الثانية، يعد نموذج VGG16 هو النموذج المدرب مسبقًا والمدرَّب على مجموعة بيانات ImageNet ولكنه يطبق نفس النموذج على مجموعات البيانات المختلفة. نحن نطبق Transfer learning and fine tuning للاستفادة من النماذج المدربة مسبقًا.يتم استخدام سبعة مقاييس أداء في التقييم والمقارنة بين الطريقتين. بالمقارنة مع أحدث الأبحاث، فإن الطريقة المقترحة حققت نتائج عالية، علاوة على ذلك، تستلزم عددًا أقل من عينات التدريب المصنفة والحد الأدنى من المعرفة المسبقة بالمجال. تم تحقيق مستوي عالي في الأداء على تصنيف جميع مجموعات التشخيص في تجاربنا. توضح النتائج أن التصميمات المقترحة مناسبة للهياكل الأساسية والتي من التعقيد الحسابي والتجهيز الزائد واستهلاك الذاكرة واستهلاك اقل زمن في التشخيص. إلى جانب ذلك، فقد حققوا دقة واعدة للغاية بنسبة 899.9٪ و99.9٪ لنموذج CNN المقترح في تصنيف مرض الزهايمر. ولقد حقق VGG16 دقة تصل إلى 97.44٪ لتشخيص مرض الزهايمر