CC BY
0
УДК 004.896 https://doi.org/10.35546/kntu2078-4481.2021An
О.1. ПРОН1НА
ДВНЗ «Приазовський державний техшчний ушверситет»
ORCID: 0000-0001-7085-8027 А.В. ЯБЛОКОВА
ДВНЗ «Приазовський державний техшчний ушверситет»
ORCID: 0000-0002-4322-9994
МОДЕЛЮВАННЯ НЕЙРОННО1 МЕРЕЖ1 ДЛЯ ВИЗНАЧЕННЯ СТАДП
ХВОРОБИ АЛЬЦГЕЙМЕРА
Пронша О. 1., Яблокова А. В. Моделювання нейронное мережi для визначення стади хвороби Альцгеймера. Хвороба Альцгеймера е найбшьш поширеним типом деменци в станi яко'г' головний мозок людини перестае виконувати сво'г' функци належним чином. Дане захворювання викликае проблеми i3 пам 'яттю, мисленням та поведiнкою. Найбыьш уразливими для цього захворювання е люди похилого вгку та значну роль вiдiграе спадковiсть - якщо з'ясуеться, що в родинi були випадки з таким захворюванням, то ризик захворти е дуже високим. В останнт час i-з проривним розвитком та впровадженням тформацшних технологт та методiв машинного навчання як взагалi так особливо i в медицинi набувае популярностi рання комп'ютерна дiагностика хвороби, що використовуе штучний iнтелект, а саме - нейронт мережi. Основним завданням дiагностування хвороби е правильне визначення стада захворювання, спираючись на отриманi зншки головного мозку, ят видае пристрш магнтно-резонансног томографа тсля обстеження хворого, враховуючи його попередтй анамнез та скарги. У данш роботi розглядаеться модель нейронног мережi для до^дження стадш хвороби Альцгеймера. Розглянуто роль ранньог дiагностики захворювання за допомогою штучного iнтелекту, зокрема нейронними мережами. Були розглянутi основнi методи, як застосовувались в до^дженнях для класифжаци хвороби. На пiдставi анализу лтературних джерел була обрана згорткова архтектура нейронних мереж, яка показала бтьшу точтсть розпгзнавання серед тших архтектур. Була розроблена математична модель згортковог нейронног мережi: обрано юльюсть згорткових, повнозв'язних шарiв, кшьюсть фiльтрiв у кожному шарi, функцП активацП для кожного шару, також було виконано налаштування гiперпараметрiв для тдвищення якостi розпгзнавання хвороби Альцгеймера. Розроблена математична модель буде фундаментом для застосунка, що полегшить роботу лiкаря для оцтки стадИ захворювання Альцгеймера, дозволить робити бшьш точш дiагнози, зменшить певне навантаження при виконанш рутинних дш медичного пра^вника. Використання щег математичног моделi в комбтацп i-з розробленим програмним забезпеченням дозволить прискорити встановлення остаточного дiагнозу хворого.
Ключовi слова: розпгзнавання, класифiкацiя, згорткова нейронна мережа, деменцiя, хвороба Альцгеймера, архтектура нейронно'г' мережi.
О.И. ПРОНИНА
ГВУЗ «Приазовский государственный технический университет»
ORCID: 0000-0001-7085-8027 А.В. ЯБЛОКОВА
ГВУЗ «Приазовский государственный технический университет»
ORCID: 0000-0002-4322-9994
МОДЕЛИРОВАНИЕ НЕЙРОННОЙ СЕТИ ДЛЯ ОПРЕДЕЛЕНИЯ СТАДИИ БОЛЕЗНИ
АЛЬЦГЕЙМЕРА
Пронина О. И., Яблокова А. В. Моделирование нейронной сети для определения стадии болезни Альцгеймера. Болезнь Альцгеймера является наиболее распространенным типом деменции, в состоянии которой, головной мозг человека перестает выполнять свои функции должным образом. Данное заболевание вызывает проблемы с памятью, мышлением и поведением. Наиболее уязвимыми для этого заболевания являются пожилые люди и значительную роль играет наследственность - если выяснится, что в семье были случаи с таким заболеванием, то риск заболеть является очень высоким. В последнее время с прорывным развитием и внедрением информационных технологий и методов машинного обучения как вообще, так и особенно в медицине набирает популярность ранняя компьютерная диагностика болезни, которая использует искусственный интеллект, а именно - нейронные сети. Основной задачей диагностирования болезни является правильное определение стадии заболевания, опираясь на полученные снимки головного мозга, которые выдает устройство магнитно-резонансной томографии после обследования больного, учитывая его предыдущий анамнез и жалобы. В данной
работе рассматривается модель нейронной сети для исследования стадий болезни Альцгеймера. Рассмотрена роль ранней диагностики заболевания с помощью искусственного интеллекта, в частности нейронными сетями. Были рассмотрены основные методы, которые применялись в исследованиях для классификации болезни. На основании анализа литературных источников была выбрана свёрточная архитектура нейронной сети, которая показала большую точность распознавания среди других архитектур. Была разработана математическая модель сверточной нейронной сети: выбрано количество сверточных, полносвязных слоев, количество фильтров в каждом слое, функции активации для каждого слоя, также была выполнена настройка гиперпараметров для повышения качества распознавания болезни Альцгеймера. Разработанная математическая модель будет фундаментом для приложения, что облегчит работу врача для оценки стадии заболевания Альцгеймера, позволит делать более точные диагнозы, уменьшит определенную нагрузку при выполнении рутинных действий медицинского работника. Использование этой математической модели в комбинации с разработанным программным обеспечением позволит ускорить установление окончательного диагноза больного.
Ключевые слова: распознавание, классификация, свёрточная нейронная сеть, деменция, болезнь Альцгеймера, архитектура нейронной сети.
O.I. PRONINA
SHEI "Priazovsky State Technical University"
ORCID: 0000-0001-7085-8027 A.V. YABLOKOVA
SHEI "Priazovsky State Technical University"
ORCID: 0000-0002-4322-9994 NEURAL NETWORK MODELING TO DETERMINE THE STAGE OF ALZHEIMER'S DISEASE
Pronina O. I., Yablokova A. V. Neural network modelling to determine the stage of Alzheimer's disease. Alzheimer's disease is the most common type of dementia, in which the human brain ceases to perform its functions properly. This disease causes problems with memory, thinking and behavior. The elderly are the most vulnerable to this disease and heredity plays a significant role - if it turns out that there have been cases of such a disease in the family, then the risk of getting sick is very high. Recently, with the breakthrough development and introduction of information technologies and machine learning methods, both in general and especially in medicine, early computer diagnostics of the disease, which uses artificial intelligence, namely neural networks, is gaining popularity. The main task of diagnosing the disease is to correctly determine the stage of the disease, based on the obtained brain images, which are issued by the magnetic resonance imaging device after examination of the patient, taking into account his previous anamnesis and complaints. In this paper, we consider a neural network model for studying the stages of Alzheimer's disease. The role of early diagnosis of the disease with the help of artificial intelligence, in particular neural networks, is considered. The main methods that were used in research to classify the disease were considered. Based on the analysis of literature sources, a convolutional neural network architecture was chosen, which showed greater recognition accuracy among other architectures. A mathematical model of a convolutional neural network was developed: the number of convolutional, fully connected layers, the number of filters in each layer, activation functions for each layer were selected, hyperparameters were also configured to improve the quality of recognition of Alzheimer's disease. The developed mathematical model will be the foundation for the application, which will facilitate the work of a doctor to assess the stage of Alzheimer's disease, will make it possible to make more accurate diagnoses, will reduce a certain burden when performing routine actions of a medical worker. The use of this mathematical model in combination with the developed software will speed up the establishment of the final diagnosis of the patient.
Keywords: recognition, classification, convolutional neural network, dementia, Alzheimer's disease, neural network architecture.
Постановка проблеми
Рання дiагностика хвороби - найважливше завдання сучасно! медицини. Чим рашше буде дiагностовано захворювання, тим швидше можна буде запоб^и розповсюдженню, ускладнення хвороби, проспше И вил^вати та набагато легше позбавитись вщ И наслщшв. Оскшьки кожний людський оргашзм реагуе по^зному на одне i теж саме захворювання, рання дiагностика i виявлення прогресування захворювання мають виршальне значення для запобтання фатальних помилок, тому це буде актуально у будь-яш часи.
В медициш юнуе багато шструменпв, за допомогою яких виконуеться виявлення захворювань. В останнш час медицина переживае значнш рют впровадження машинного навчання, юнуе безлiч додатшв для нього та штучного штелекту. Методи машинного навчання знайшли в медициш великий
ycnix: вщ прогнозування результатiв лiкування пащенпв, зак1нчуючи пiдтримкою прийняття клiнiчних ршень та прогнозуванням майбyтнiх терапевтичних заданих значень пацieнта.
На жаль, юнують так1 захворювання, як1 важко дiагностyвати звичайними методами на раннiй стадп. Тут на допомогу лiкарю приходять методи машинного навчання: розпiзнавання рентгешвського знiмкy грудно! клiтини про наявшсть чи вiдсyтнiсть захворювання, що уражуе легенi, а саме: Covid-19, прогнозування iмовiрностi дiагнозy глаукоми, прогнозування ризику серцевих захворювань, що в даний час е одною iз найчаспших причин смертi в даний час у всьому свт.
Одним з таких серйозних захворювань, де ранне дiагностyвання вщграе важливу роль е захворювання Альцгеймера [1]. Ця хвороба характеризуеться нейродегенеративним характером, що проявляеться у когнiтивних порушеннях, як1 стають помiтними у середньому та часпше у похилому вiкy.
Аналiз останшх дослiджень та публiкацiй
На сьогодшшнш день iснyе багато робiт, що присвячеш дослiдженню хвороби Альцгеймера. Таким чином, в робот [2] розглядаеться метод машинного навчання, що дозволяе дiагностyвати захворювання на основi спонтанного мовлення. Вiн представляе в сво!й роботi нещодавно розроблений метод активного представления даних ADR для обробки голосу як основа для об'еднання акустичних i текстових фyнкцiй на рiвнi речення та слова. В робот використовувались комбшацп мiж дешлькома конфiгyрацiями фyнкцiй ADR i бшьш традицiйними подходами з набором запиав були використанi в ансамблi з класифжаторами, побудованих i оцiнених на стандартизованому наборi даних, що мютять записану мову, описи сцен i текстовi розшифровки. Результатом ще! роботи е досягнута точнiсть 89,85% i це лише використання семантичних характеристик.
В свою чергу, в робоп [3] розглянуто не тiльки один метод машинного навчання для дослщження ще! хвороби. Ними проведено дослiдження: в лжарт буди вiдiбранi 18 пащенпв з хворобою Альцгеймера та 18 пащенпв без хвороби в якостi експериментально! групи i зробленi МРТ-скани головного мозку. Шсля цього отримаш зображення сегментувались рiзними алгоритмами: згортковою нейронною мережею (CNN), повною згортковою мережею (FCNN), методом опорних векторiв (SVM). Вони дослiдили, що модель згортково! нейронно! мереж1 краще за вах справилась iз задачею сегментацп зображень головного мозку.
Але, в робоп [4] також розглядаеться не один метод дослщження: розглянута комбшащя методiв машинного навчання: глибоке навчання використовуеться разом iз методом дерев ршень. Автори стверджують, що таким чином, використовуючи в парi щ два методи - посилюеться здатшсть поглинати характеристики iз багатомiрних даних i спрощуеться класифiкацiя хвороби Альцгеймера.
1нша робота [5], що тдкреслюе важливiсть ранньо! дiагностики захворювання Альцгеймера, розглядае 4 методи машинного навчання: штучш нейроннi мереж!, логiстична регреая, кластеризацiя за допомогою метода найближчого сyсiда (KNN) i дерева ршень. За допомогою перерахованих методiв вш виконував прогнозування значення кттчно! ощнки деменцп.
В робоп [6] розглянуто метод дiагностики та прогнозування хвороби Альцгеймера шляхом обробки структурного магшгно-резонансного зображення (МРТ) за допомогою нейронних мереж глибокого навчання. Автор використав одну модель мереж глибокого навчання, яка е згортковою нейронною мережею. Вш використовуе чотири р!зш архiтектyри згорткових нейронних мереж, а саме архитектуру Lenet-5, AlexNet, ZFNet та R-CNN. Вш дослщив та з'ясував, що найкраща точшсть для 75-25 перехресних перевiрок та 90-10 перехресних перевiрок становить 97,68% та 98,75% вщповщно, i досягнута за допомогою архiтектyри згортково! нейронно! мереж! ZFNet.
Але, напроти, в робот [7] теж використовуеться згорткова нейронна мережа, а саме архитектура AlexNet. В резyльтатi розроблена модель зможе визначити, чи наданий сигнал електроенцефалограми показуе нормальний чи аномальний стан, або стан хворого на Альцгеймера.
В робоп [8] пропонуеться новий метод обробки скашв головного мозку для дiагностyвання Альцгеймеру. Спочатку для видалення розглядаеться база даних зображень небажано! областi. Попм пром!жний вихщ надсилаеться для вилучення таких значних особливостей як, текстура, пстограма та масштабно-iнварiантне перетворення з магшгно-резонансних зображень мозку. Для збшьшення виявлення використовуеться технiка групово! ошгашзацп арого вовка продуктившсть за допомогою дерева ршень, K-найближчого сyсiда та класифжатора згортково! нейронно! мереж1.
В свою чергу, в робот [9] було заявлено, що в останш роки дослщники устшно використовують штучш нейронш мереж1 для р!зних завдань класифжащ! зображень. Таким чином, надання МРТ в парi з нейронною мережею дасть лжарю впевненiсть та змогу перевiрити свою вщповщь щодо поставленого дiагнозy i отримати об'ективний звгг вщ навчено! мереж1. В сво!й робоп автор використовуе тривим!рну модель нейронно! мереж1 InceptionV3. Автор досяг 72% точносп на двовим!рних даних.
Робота [10] теж пов'язана з! згортковими нейронними мережами, зокрема в нш пропонуеться тривимiрна модель нейронно! мереж!. Автор роботи тдкреслюе !! головш переваги, що вона може допомогти в дослщженш i виявленш захворювання Альцгеймера шляхом вщображення складно! неоднорщносп мозку, особливо в л!мб!чнш систем! i скроневш частщ.
Робота [11] демонструе аналiз мовного розладу хворого на Альцгеймер, bîh вважае, що як прямий i природний результат когнiтивних порушень - мовний аспект хвороби привертае бiльшу увагу. Отримат результати показують, що запропонована таксономiя мовних ознак, витягнутих i3 зразшв мови, може бути використана для диференщацп мiж пацiентами з хворобою Альцгеймера та здоровою контрольною групою.
Робота [12] розглядае дешлька iнструментiв машинного навчання: метод опорних векторiв, дерева ршень та випадковi лiса для виявлення етапiв розвитку хвороби в залежносп вiд надання даних. Автор роботи зауважуе, що останнiй тдхвд - це пiдхiд глибокого навчання з використанням мультимодальних даних, який об'еднуе зображення, генетичнi данi i дат пащента з використанням глибоких моделей, а попм використовуе об'еднат данi для бiльш ефективного виявлення стади Альцгеймера.
В робот! [13] розглядаеться використання трансферного навчання на основi згортково! нейронно! мереж! для класифжацп хвороби Альцгеймера. Автор випробували 13 рiзних зразк1в рiзних попередньо навчених моделей згортково! нейронно! мереж1, використовуючи доопрацьований тдхвд передачi навчання у двох р!зних областях на набор! даних ADNI. Зразок моделi DenseNet показав кращу продуктившсть, досягнувши максимально! середньо! точносп 99,05%.
Аналiзуючи розглянуту лггературу, можна побачити, що найбшьш актуальним шструментом для виявлення хвороби, розтзнавання i класифжацп стадш захворювання, в тому числ! i хвороби Альцгеймера е згортков! нейронт мереж!
Формулювання мети дослiдження
Мета дано! роботи - розробити математичну модель згортково! нейронно! мереж1, що дозволить пвдвищити стутнь розтзнавання стадш захворювання Альцгеймера.
Викладення основного матерiалу дослвдження
При розробщ власно! модел! нейронно! мереж1 була обрана згорткова архитектура, тому що вона дае значно вищий процент розтзнавання [14], шж шш! архггектури нейронних мереж. Розроблена нейронна мережа мае послвдовну модель [15], це значить те, що шари нейронно! мереж1 з'еднат ввд вхвдного до вихвдного шару послвдовно, тобто, ва виходи вхвдного шару з'еднуються з! входами наступного вихвдного шару, кожний шар вде строго один за одним.
Модель була навчена на 4 класах хвороби, що ввдповвдають 4 стад!ям захворювання Альцгеймера, а саме: здоровий мозок, легш когштивт порушення, середнш стутнь захворювання, тяжкий стутнь захворювання, запущена стад!я хвороби. В структур! нейронно! мереж1 це ввдображаеться наступним чином: останнш, вихвдний шар мереж1 мае таку к1льк1сть нейротв, ск1льки було представлено навчених клаав. Архитектуру розроблено! згортково! мереж1 показано на рис. 1.
Перший шар нейронно! мереж! е шар BatchNormalization(), що е вхвдним, е шаром нормал1зацп вхвдних даних, тобто цей шар виконуе нормал1зац1ю вхвдних зображень зтмшв магттно-резонансно! томограф!! пащенпв. Вш приймае в себе шформацш про вхвдне зображення, а саме: ширину, висоту та шльшсть канал1в.
Дал1 вш з'еднуеться !з першим згортковим шаром Conv2D(), який як зрозумшо з назви, виконуе операцш згортки [16]. Цей згортковий шар мютить в соб! наступт параметри: перший - задае к1льк1сть фшьтр!в, в даному випадку тут вказано 32 фшьтри, другий параметр - ядро згортки, що визначае ширину та висоту ядра згортки, в даному випадку воно задане розм!ром 3 на 3, третш параметр - «заповнення» встановлений !з значенням «same» - вш значить те, що ввдступи на зображент будуть р!вном!рно заповнент нулями, четвертий параметр - це функщя активацп шару. Функщею активацп даного шару е лшшний випрямляч або RElu [17]. Працюе вона наступним чином: ва негативт елементи перетворюються в нул!, а позитивт залишаються незм!нними.
Дал1 вде другий згортковий шар Conv2D(), що мае точно так ж сам! параметри. Наступним шаром вде перший шар тдвиб!рки MaxPooling2D(), що зменшуе розм!р вхвдних даних по заданш ширин! i висоп, об'еднуючи двом!рт дан!. Вш мае параметри, що задан! наступним чином: (2, 2) (ширина, висота).
Наступним шаром вде шар регуляризацп Dropout() !з значенням параметра 0.25, тобто нейрони в цьому шар! будуть ввдключет !з в!рогвдтстю 25%. Цей шар потр!бен для того, щоб нейронна мережа не перенавчилась, що е дуже важливим зауваженням, в противному випадку нейронна мережа не зможе узагальнювати вступт дан! та адекватно !х ощнювати.
Сьомий шар модел! мктить шар нормал!зацп зображення, але вже без параметр!в, дал1 вдуть два згорткових шари !з наступними параметрами: 64 фшьтри, ядро згортки 3 на 3, параметр «заповнення» !з значенням «same», функщя активацп - RElu. Шсля них вде шар тдвиб!рки розм!ром 2 на 2, дал1 вде шар регуляризацп !з значенням 0.25.
Дванадцятий шар модел! знову складаеться з шару нормал!заци даних без параметр!в, дал! знову вдуть два згорткових шари !з наступними параметрами: 128 фшьтр!в, ядро згортки 3 на 3, параметр
«заповнення» i3 значениям «same», функщя активацп - RElu, тсля них ще шар пiдвибiрки po3MipoM 2 на 2, наступний шар - шар регуляризацп i3 значенням 0.25.
Омнадцятий шар моделi мае наступнi дат: це е шар Flatten(), що перетворюе двовимiрнi данi до плоского виду, вш потрiбен для того, щоб повнозв'язний шар правильно обробляв вихвдт данi вiд згорткового шару. Так як, згортковi шари будуть працювати i3 двовимiрними зображеннями, необхщно привести !х до одного загального вимiру ознак. Далi iде повнозв'язний шар Dense(), що мае в собi 512 нейронiв для виконання класифжацп i активуеться за допомогою функцп активацп RElu.
Далi знову ще шар регуляризацп' Dropout() iз вказаним параметром 0.25. Останнiй повнозв'язний шар моделi вказуеться iз шльюстю нейронiв, що вiдповiдають кiлькостi клаав - 4 нейрони. Функцiя активацп в останньому шарi вказана softmax, тому що виконуеться багатокласова класифжащя зображень: визначення, де немае захворювання, присутня початкова стадiя хвороби Альцгеймера, середнш ступiнь важкостi та запущена стащя хвороби.
Розроблена модель згортково! нейронно! мереж! для виявлення захворювання Альцгеймеру була перевiрена на адекватшсть та протестована !з такими параметрами: час навчання, загальна точшсть модел^ к1льк1сть епох навчання. £ чотири класи МРТ-сканiв мозку, з якими модель нейронно! мереж! повинна сшввщносити вхвдт зображення головного мозку: здоровий мозок, легк! когшгивш порушення, середнш стутнь захворювання Альцгеймера важкий стутнь Альцгеймера. Було проведено 50 дослщжень !з змшою шлькосп епох навчання нейронно! мереж! для виявлення оптимального значення шлькосп епох, за яким нейронна мережа буде бшьш ефективною. Навчання моделi вiдбувалось за допомогою сервюу Google Colaboratory. В таблиц 1 представлена частка результатiв дослщження - данi перших 20 дослщжень.
Перший стовпець означае номер проведеного експерименту, другий стовпець демонструе час навчання кожно! моделi в секундах, третш стовпець показуе загальну точшсть моделi, що була отримана в результат тестування моделi, останнiй, четвертий стовпець означае шльюсть епох, як! були вказанi в якосп параметру, який вказуе нейроннiй мереж1, яке число раз треба пройти по всьому навчальному набор! даних.
Таблиця 1
Результати тестування нейронно'' мережi
№ Час навчання Загальна точшсть Юльшсть епох
експерименту модел!, с модел!, % навчання
1 1857 62 5
2 1571,3 67,47 10
3 1068,6 67,79 15
4 761,7 70,05 20
5 924,3 74,12 25
6 1673 72,87 30
7 1832 65,68 35
8 2166,1 70,76 40
9 3348 71,23 45
10 2494,8 70,21 50
11 2671,1 73,03 55
12 2891 69,90 60
13 3031 70,76 65
14 3252,6 70,05 70
15 3322,4 75,59 75
16 3693,6 70,21 80
17 4868,5 69,59 85
18 3867,2 65,44 90
19 4770,4 71,23 95
20 4342,4 66,07 100
b atch_normalization_inpu t: InputL ay er input: [{None, 176, 208, 3)]
output: [{None, 176, 208, 3)]
batch_normalization: BatcliNormalization input: (None, 176, 208, 3)
output: (None, 176, 208, 3)
I
input: (None, 176, 208, 3)
output: (None, 176, 208, 32)
conv2d_l: Conv2D input: (None, 176, 208, 32}
output: (None, 176, 208, 32)
T
max_pooling2d: MaxPooling2D input: (None, 176, 208, 32)
output: (None, 88, 104, 32)
dropout: Dropout input: (None, 88, 104, 32)
output: (None, 88, 104, 32)
i
batch_normalizatiaii_l: BatchNormalization input: (None, 88, 104, 32)
output: (None, 88, 104, 32)
I
conv2d_2: Conv2D input: (None, 88,104, 32)
output: (None, 88,104, 64)
conv2d_3: Conv2D input: (None, 88,104, 64)
output: (None, 88,104, 64)
max_pooling2d_l: MaxPooling2D input: (None, 88, 104, 64)
output: (None, 44, 52, 64)
dropout_l: Dropout input: (None, 44, 52, 64}
output: (None, 44, 52, 64)
i
batch_normalization_2: BatchNormalization input: (None, 44, 52, 64)
output: (None, 44, 52, 64}
i
conv2d_4: Conv2D input: (None, 44, 52, 64)
output: (None, 44, 52, 128)
conv2d_5: Conv2D input: (None, 44, 52, 128)
output: (None, 44, 52, 128)
i
max_pooling2d_2: MaxPooling2D input: (None, 44, 52,128)
output: (None, 22, 26,128)
dropout_2: Dropout input: (None, 22, 26, 128)
output: (None, 22, 26, 128)
flatten: Flatten input: (None, 22, 26, 128)
output: (None, 73216)
i
dense: Dense input: (None, 73216)
output: (None, 512)
i
dropout_3: Dropout input: (None, 512)
output: (None, 512)
I
dense_l: Dense input: (None, 512)
output: (None, 4)
PHC. 1 - ApxiTeKTypa HeöpoHHo'i Mepe^i
Аналiзуючи отримаш даш експериментiв в таблищ, можна побачити, що найкращий результат був отриманий, коли модель мала параметр навчання в 75 епох, при цьому !! загальиа точшсть розпiзнавання стадiй захворювання Альцгеймера складае 75,59%. Так як основним критерieм вiдбору був обраний критерiй загально!' точностi моделi, а саме, чим вище отримане значения пiсля тестування модел^ тим краще вона справиться iз задачею розпiзнавания захворювання Альцгеймера. Таким чином, математична модель нейронно! мереж1, що мае найвищий покажчик загально! точносп була вiдiбрана як основа для наступних експеримеипв щодо дослiджения хвороби Альцгеймера, а саме: виявлення точностi розпiзнавания по кожиш стадi! захворювання Альцгеймера та витрачений час на розпiзнавания.
Висновки
В ходi виконания дослiджения була розроблена математична модель згортково! нейронно! мереж!, що дозволяе визначати стадп захворювання Альцгеймера. В якосп критерi!в оцшки математично! моделi було обрано загальну точнiсть, що показала 75,59% правильного розтзнавання хвороби.
На основi розроблено! математично! моделi плануеться реалiзацiя програмного забезпечення для використания непрофiльними користувачами. Цей додаток можна використовувати при навчанш психiатрiв при дослiдженнi хвороби Альцгеймера перед тим, коли майбутш фахiвцi будуть ставити дiагнози в клшщ реальним пацiентам. Що в свою чергу дозволить тдвищити рiвень знань майбутшх лiкарiв в процесi навчання. Також майбутнiй додаток може допомогти в роботi неврологам: медичний пращвник може перевiрити свiй поставлений дiагноз пацiенту, спираючись на роботу додатка. Таким чином, досягаеться часткова автоматизация процесу постановки дiагнозу та лжар отримуе допомогу при виявленнi захворювання, що в ртш роботи лiкарiв е дуже актуальним оск1льки частку контролю за виявленням патологiй бере на себе спещально навчена нейронна мережа.
Список використаноТ лiтератури
1. Knopman, David & Amieva, Helene & Petersen, Ronald & Chetelat, Gael & Holtzman, David & Hyman, Bradley & Nixon, Ralph & Jones, David. (2021). Alzheimer disease. Nature Reviews Disease Primers. 7. 10.1038/s41572-021-00269-y.
2. Martinc, Matej & Haider, Fasih & Pollak, Senja & Luz, Saturnino. (2021). Temporal Integration of Text Transcripts and Acoustic Features for Alzheimer's Diagnosis Based on Spontaneous Speech. Frontiers in Aging Neuroscience. 13. 10.3389/fnagi.2021.642647.
3. Chen, Xiaoxiao & Li, Linghui & Sharma, Ashutosh & Dhiman, Gaurav & Shanmuganthan, Vimal. (2021). The Application of Convolutional Neural Network Model in Diagnosis and Nursing of MR Imaging in Alzheimer's Disease. Interdisciplinary Sciences Computational Life Sciences. 3. 10.1007/s12539-021-00450-7.
4. Kumar, P & Yung, Yang & Huan, Tracy. (2017). Neural Network Based Decision Trees using Machine Learning for Alzheimer's Diagnosis. International Journal of Computer and Information Sciences. 4. 63-72.
5. Yigit, Altug & Isik, Zerrin. (2018). Application of artificial neural networks in dementia and alzheimer's diagnosis. 1-4. 10.1109/SIU.2018.8404447.
6. Janghel, Rekh. (2020). Deep-Learning-Based Classification and Diagnosis of Alzheimer's Disease. 10.4018/978-1-7998-0414-7.ch076.
7. Chellam, C & Kumar, D & S., Raja. (2021). An automated eeg based pathology and alzheimer detection using deep learning networks. Journal of Engineering and Technology Management. IX. 3143.
8. Shankar, Dr & Lakshmanaprabu, S.K. & Khanna, Ashish & Tanwar, Sudeep & Rodrigues, Joel & Roy, Nihar. (2019). Alzheimer Detection Using Group Grey Wolf Optimization Based Features with Convolutional Classifier. Computers & Electrical Engineering. 77. 10.1016/j.compeleceng.2019.06.001.
9. Poirier, James & Tuttle, Michael. (2020). Artificial Neural Network to Detect Alzheimer's in MRI Scans.
10. Hogan, Ryan & Christoforou, Christoforos. (2021). Alzheimer's Detection through 3D Convolutional Neural Networks.
11. Ammar, Randa & Benayed, Yassine. (2020). Language-related features for early detection of Alzheimer Disease. Procedia Computer Science. 176. 763-770. 10.1016/j.procs.2020.09.071.
12. Patil, Adwait. (2021). A Comparative Study of Alzheimer Detection Techniques. International Journal for Research in Applied Science and Engineering Technology. 9. 2877-2883. 10.22214/ijraset.2021.37882.
13. Ashraf, Abida & Naz, Saeeda & Shirazi, Syed & Razzak, Imran & Parsad, Mukesh. (2021). Deep transfer learning for alzheimer neurological disorder detection. Multimedia Tools and Applications. 80. 10.1007/s11042-020-10331-8.
14. Salehi, Waleed & Baglat, Preety & Bhushan, Brij & Gupta, Gaurav & Upadhya, Ankita. (2020). A CNN Model: Earlier Diagnosis and Classification of Alzheimer Disease using MRI. 156 - 161. 10.1109/IC0SEC49089.2020.9215402.
15. Aggarwal, Shilpi & Bhatia, Madhulika & Madaan, Rosy & Pandey, Hari. (2021). Optimized Sequential model for Plant Recognition in Keras. IOP Conference Series: Materials Science and Engineering. 1022. 012118. 10.1088/1757-899X/1022/1/012118.
16. Ghiasi-Shirazi, Kamaledin. (2019). Generalizing the Convolution Operator in Convolutional Neural Networks. Neural Processing Letters. 10.1007/s11063-019-10043-7.
17. Placzek, Stanislaw & Placzek, Aleksander. (2018). Learning algorithm analysis for deep neural network with ReLu activation functions. ITM Web of Conferences. 19. 01009. 10.1051/itmconf/20181901009.
