Enhanced Classification of Alzheimer’s Disease Stages via Weighted Optimized Deep Neural Networks and MRI Image Analysis
Notice bibliographique
Résumé
Alzheimer's disease, a debilitating neurological disorder, precipitates irreversible cognitive decline and memory loss, predominantly affecting individuals aged 65 years and above.The need for an automated system capable of accurately diagnosing and stratifying Alzheimer's disease into distinct stages is paramount for early intervention and management.However, existing deep learning methodologies are often hampered by protracted training times.In this study, a time-efficient approach incorporating a two-phase transfer learning technique is proposed to surmount this challenge.This method is particularly efficacious in the analysis of Magnetic Resonance Imaging (MRI) data for the identification of Alzheimer's disease.The proposed detection system employs two-phase transfer learning, augmented with fine-tuning for multi-class classification of brain MRI scans.This allows for the categorization of images into four distinct classes: Mild Dementia (MD), Moderate Dementia (MOD), Non-Dementia (ND), and Very Mild Dementia (VMD).The classification of Alzheimer's disease was conducted using various pre-trained deep learning models, including ResNet50V2, InceptionResNetV2, Xception, DenseNet121, VGG16, and MobileNetV2.Among the models tested, ResNet50V2 demonstrated superior performance, achieving a training classification accuracy of 99.35% and a testing accuracy of 99.25%.The results underscore the potential of the proposed method in delivering more accurate classifications than those obtained from extant models, thereby contributing to the early detection and stratification of Alzheimer's disease.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».