Пошук академічних текстів

Інформація × Реєстраційний номер 2125U003945, Матеріали видань та локальних репозитаріїв Категорія Опубліковано, Стаття Назва роботи ПРОГНОЗУВАННЯ ХВОРОБИ АЛЬЦГЕЙМЕРА ЗА ДОПОМОГОЮ ГЛИБОКО СКЛАДОВАНОЇ АНСАМБЛЕВОЇ МОДЕЛІ, ПОСИЛЕНОЇ МЕХАНІЗМОМ УВАГИ СТИСНЕННЯ ТА ЗБУДЖЕННЯ Автор Мухаммад Джунаїд ІкбалМудасір МахмудМухаммад ФарханМухаммад Саджад ХуссейнMuhammad Junaid IqbalMudasir MahmoodMuhammad FarhanMuhammad Sajjad Hussain Дата публікації 24-12-2025 Постачальник інформації Журнал "Радіоелектроніка, інформатика, управління" (Національний університет "Запорізька політехніка") Першоджерело https://ric.zp.edu.ua/article/view/346263 Видання National University "Zaporizhzhia Polytechnic" Опис Актуальність. Хвороба Альцгеймера (ХА) – це прогресуюче неврологічне дегенеративне захворювання, що спричиняє втрату пам’яті, порушення когнітивних функцій та деменцію. Своєчасне виявлення ХА має вирішальне значення для забезпечення ефективного лікування та втручання. Магнітно-резонансна томографія (МРТ) також стала критично важливим інструментом для розуміння структурних змін у мозку, що відбуваються під час розвитку хвороби Альцгеймера. Тим не менш, ручна обробка МРТсканів є трудомісткою, суб’єктивною та схильною до людських помилок. Як наслідок, зростає попит на автоматизовані та точні діагностичні технології, які можуть допомогти клініцистам у ранньому виявленні та стадіювання хвороби Альцгеймера на основі даних медичної візуалізації.Мета. Це дослідження зосереджено на розробці та оцінці багатошарової ансамблевої моделі на основі глибокого навчання для класифікації та стадіювання МРТ-сканувань головного мозку при хворобі Альцгеймера. Основною метою є підвищення точності та надійності діагностики шляхом поєднання сильних сторін кількох попередньо навчених архітектур згорткових нейронних мереж (CNN) у поєднанні зі складними механізмами уваги та методами метанавчання.Метод. Запропонований підхід використовує структуру глибокого багатошарового ансамблю навчання, що складається з трьох високопродуктивних архітектур CNN: MobileNetV2, ResNet50 та DenseNet121. Ці моделі попередньо навчені на наборі даних ImageNet, використовуючи потужні можливості витягу ознак. Для подальшого покращення їхньої продуктивності кожна модель CNN покращена модулем уваги стискання та збудження (SE), який адаптивно перекалібрує реакції на ознаки по каналах, підкреслюючи важливі ознаки, водночас пригнічуючи нерелевантні. Виділені високорівневі ознаки з усіх трьох SE-доповнених CNN потім об’єднуються та подаються в мета-навчальну систему, що складається з повністю зв’язаних шарів. Цей метакласифікатор включає методи відсіву та пакетної нормалізації, щоб запобігти перенавчанню та покращити узагальнення. Загальна архітектура навчається та перевіряється на наборі даних зображень МРТ мозку, класифікованих за різними стадіями хвороби Альцгеймера, включаючи нормальний контроль, легкі когнітивні порушення та різні стадії деменції.Результати. Експериментальна оцінка продемонструвала виняткову продуктивність, досягнувши точності 99%, прецизійності 99%, повноти 98% та F1-оцінки 99%. Ці показники вказують на високу прогностичну здатність та надійність моделі у розрізненні різних стадій хвороби Альцгеймера.Висновки. Експериментальні результати підкреслюють ефективність та надійність запропонованої моделі глибоко укладеного ансамблю в автоматизованій діагностиці та стадіювання хвороби Альцгеймера за допомогою МРТ-сканувань. Інтеграція кількох згорткових нейронних мереж (CNN) з механізмами уваги та метанавчанням значно покращує ефективність класифікації. Ці результати свідчать про те, що модель може служити надійною системою підтримки рішень для неврологів, допомагаючи у ранній діагностиці, своєчасному втручанні та покращенні результатів лікування пацієнтів у клінічних умовах. Додано в НРАТ 2026-02-09 Закрити