Résumé:
La maladie d'Alzheimer (MA) est une pathologie neurodégénérative qui altère
significativement la mémoire, la pensée et le comportement. Un diagnostic précis de la MA est
crucial pour une prise en charge et un traitement efficaces. L'imagerie par résonance magnétique
(IRM) fournit des images détaillées du cerveau, et l'apprentissage profond propose des outils
performants pour analyser ces images et identifier les caractéristiques associées à la MA.
Cette étude présente un modèle d'apprentissage profond proposé basé sur l'architecture
ResNet-101 pour la classification de la MA à partir d'images IRM. La précision, la sensibilité
et le score F1 élevés du modèle suggèrent son potentiel en tant qu'outil d'aide à la décision
intelligent pour le diagnostic clinique de la MA. Le modèle proposé obtient des performances
supérieures à celles des modèles existants et des travaux antérieurs, démontrant son efficacité
dans l'identification des quatre stades de la MA
