L’utilisation de l'apprentissage profond par transfert pour prédire le statut de la maladie d’Alzheimer

Abstract

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