Derin Öğrenme ile Alzheimer Hastalığı Teşhisi İçin Model Önerisi
Notice bibliographique
Résumé
Alzheimer's disease is one of the greatest health problems of our time. Since there is no cure, it is necessary to diagnose the disease in the early stages and to apply preventive treatments. However, early diagnosis of the disease is very difficult, so most people can be diagnosed after significant and irreversible effects occur. Various studies are carried out by researchers around the world for the early diagnosis of the disease. Deep learning has recently gained importance in the early diagnosis of Alzheimer's disease. With the use of models created using deep learning, the success of early diagnosis has reached high levels. In this study, the stages of Alzheimer's disease and the changes that occur were examined. A literature review was conducted for various techniques used in the diagnosis of Alzheimer's and the use of imaging techniques in the early diagnosis of Alzheimer's was investigated. Due to its widespread use, the MRI technique has been emphasized, and mostly studies using MRI have been examined. Concepts used in deep learning are explained, innovations and results are presented. The architectures used in deep learning and the innovations they bring to this field are revealed, and deep learning models that have been created and tested in current studies are examined. The innovations and success rates brought by various studies have been revealed. Efforts have been made to develop a fast, efficient and successful model that provides ease of use. For this, the scheduler structure, MONAI framework, Data loader structure and various techniques are presented with simple use. Also, the model is optimized to run smoothly on Google Colab. In addition, the tools in the FSL library, which are very important in preprocessing, were studied and optimal parameters were found for the "Bias field and Neck Clean Up", "Standard Brain Extraction Using BET2" and "Robust Brain Center Estimation" tools. By using this library, optimal brain images can be obtained for any model. The DenseNet121 model was used as a basis in the model and it was presented in a structure that can be easily changed. The model can directly use 3D MR images, thus preventing the loss of various spatial information.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».