ADNet: OASIS-1 VERİ KÜMESİ ÜZERİNDE ALZHEİMER HASTALIĞI TEŞHİSİ İÇİN BİR CNN MODELİ

Alzheimer hastalığı (AD), hafıza, düşünme ve davranış üzerinde ciddi etkileri olan kronik bir nörodejeneratif hastalıktır. Evrişimli Sinir Ağları (CNN) gibi derin öğrenme modelleri, beyin manyetik rezonans görüntüleri (MRI) kullanılarak AD'nin erken aşamalarda tespit edilmesinde umut verici sonuçlar göstermektedir. Bu çalışmada, Alzheimer teşhisi için OASIS-1 veri seti kullanılarak eğitilen ADNet adlı bir CNN modeli önerilmiştir. ADNet'in performansını değerlendirmek için, ilk olarak, her bireyin MR görüntüsünden alınan sagittal düzlemdeki 128 dilimin ilk çeyreğinden, ortasından ve üçüncü çeyreğinden alınan dilimler kullanılarak üç farklı veri seti hazırlanmış ve en bilgilendirici dilim hangisi araştırılmıştır. Her veri seti %80 eğitim ve %20 test olarak ayrılmış ve ilk çeyrek dilimin en iyi performansı gösterdiği saptanmıştır. Ek olarak, elde edilen modelin transfer öğrenme modeli olarak kullanılıp kullanılamayacağı incelenmiştir. Bunun için düşük performanslı bir model, ADNet transfer öğrenme modeli kullanılarak yeniden eğitilmiş ve sonuçların oldukça iyileştiği gözlemlenmiştir. Son olarak, modelin dayanıklılığı 5 katlı çapraz doğrulama ile üç kez tekrarlanarak daha ayrıntılı bir değerlendirmeye tabi tutulmuş ve %95,36 ortalama doğruluk elde edilmiştir. Sonuç olarak, ADNet’in klinik ortamlarda Alzheimer taramasında kullanılabileceği ve hastaların daha erken tedavi almasını sağlayabileceği düşünülmektedir.

Alzheimer's disease (AD) is a chronic neurodegenerative disorder affecting memory, thinking, and behavior. Deep learning models, particularly CNNs, have shown promise in detecting AD at initial stages using the brain's magnetic resonance images (MRI). In this study, a CNN model called ADNet, trained using the OASIS-1 dataset, was proposed. The experimental approaches for evaluating the performance of ADNet are as follows: First, three different datasets were prepared using slices taken from the first quarter, middle, and third quarter of the sagittal plane from each MRI, to determine the most informative slice among the 128 slices. Each dataset was split into 80% training and 20% testing. It was found that the first quarter slice showed the best performance. The potential use of the obtained model as a transfer learning model was also examined. For this, a low-performance model was retrained using ADNet as a transfer learning model, and significant improvements in the results were observed. At last, the model’s robustness was evaluated in a more detailed evaluation, using 5-fold cross-validation repeated three times, resulting in a mean accuracy of 97.05%. As a result, ADNet can be used for Alzheimer's screening in clinical settings and could enable patients to receive earlier treatment.