AUTOMATIC DETECTION OF ALZHEIMER'S DISEASE BASED ON ARTIFICIAL INTELLIGENCE

Achraf Benba; Abdelilah Kerchaoui

doi:10.35784/iapgos.3383

PDF (angielski)

Opublikowane: 2023-03-31

DOI: https://doi.org/10.35784/iapgos.3383

Numer Tom 13 Nr 1 (2023)

ULEPSZONY ALGORYTM EWOLUCJI RÓŻNICOWEJ Z ADAPTACYJNYMI GRANICAMI WAG DLA EFEKTYWNEGO SZKOLENIA SIECI NEURONOWYCH
Saithip Limtrakul, Jeerayut Wetweerapong

4-13
ZASTOSOWANIE WYJAŚNIALNEJ SZTUCZNEJ INTELIGENCJI W KLASYFIKACJI USTEREK OPROGRAMOWANIA
Łukasz Chmielowski, Michał Kucharzak, Robert Burduk

14-17
AUTOMATYCZNE WYKRYWANIE CHOROBY ALZHEIMERA W OPARCIU O SZTUCZNĄ INTELIGENCJĘ
Achraf Benba, Abdelilah Kerchaoui

18-21
WDROŻENIE SYSTEMU POZYSKIWANIA EKG OPARTEGO NA SZTUCZNEJ INTELIGENCJI W CELU WYKRYWANIA NIEPRAWIDŁOWOŚCI SERCA
Achraf Benba, Fatima Zahra El Attaoui, Sara Sandabad

22-25
OPRACOWANIE I MODELOWANIE SYSTEMU ANTENOWEGO CELOWNIKA BEZZAŁOGOWYCH STATKÓW POWIETRZNYCH
Juliy Boiko, Oleksiy Polikarovskykh, Vitalii Tkachuk

26-32
PLATFORMA SENSOROWA TOMOGRAFII PRZEMYSŁOWEJ DO DIAGNOSTYKI I STEROWANIA PROCESAMI TECHNOLOGICZNYMI
Krzysztof Król, Tomasz Rymarczyk, Konrad Niderla, Edward Kozłowski

33-37
CECHY IMPLEMENTACJI WIDZENIA KOMPUTEROWEGO W PROBLEMACH AUTOMATYCZNEJ KONTROLI JAKOŚCI PRODUKTÓW
Nataliia Stelmakh, Ihor Mastenko, Olga Sulima, Tetiana Rudyk

38-41
SAMOOSCYLACYJNY PARAMETRYCZNY CZUJNIK WILGOTNOŚCI Z CZĘSTOTLIWOŚCIOWYM SYGNAŁEM WYJŚCIOWYM
Iaroslav Osadchuk, Alexander Osadchuk, Vladimir Osadchuk, Lyudmila Krylik

42-49
OPRACOWANIE ZMODYFIKOWANEJ METODY FORMOWANIA RUCHU SIECIOWEGO
Valeriy Kozlovskiy, Natalia Yakymchuk, Yosyp Selepyna, Serhii Moroz, Anatolii Tkachuk

50-53
CYFRYZACJA PRZEDSIĘBIORSTWA Z ZAPEWNIENIEM STABILNOŚCI I NIEZAWODNOŚCI
Gulnar Balakayeva, Paul Ezhilchelvan, Yerlan Makashev, Christofer Phillips, Dauren Darkenbayev, Kalamkas Nurlybayeva

54-57
MODYFIKACJE MODELU RÓWNOWAGI CENOWEJ EVANSA
Serhii Zabolotnii, Sergii Mogilei

58-63
BADANIE PORÓWNAWCZE RÓŻNYCH MODELI RÓWNOWAŻNEGO ODKSZTAŁCENIA PLASTYCZNEGO DO PĘKANIA
Volodymyr Mykhalevych, Yurii Dobraniuk, Victor Matviichuk, Volodymyr Kraievskyi, Oksana Тiutiunnyk, Saule Smailova, Ainur Kozbakova

64-70

Archiwum

2025

Tom 15 Nr 4
2025-12-20 27
Tom 15 Nr 3
2025-09-30 24
Tom 15 Nr 2
2025-06-27 24
Tom 15 Nr 1
2025-03-31 26

2024

Tom 14 Nr 4
2024-12-21 25
Tom 14 Nr 3
2024-09-30 24
Tom 14 Nr 2
2024-06-30 24
Tom 14 Nr 1
2024-03-31 23

2023

Tom 13 Nr 4
2023-12-20 24
Tom 13 Nr 3
2023-09-30 25
Tom 13 Nr 2
2023-06-30 14
Tom 13 Nr 1
2023-03-31 12

2022

Tom 12 Nr 4
2022-12-30 16
Tom 12 Nr 3
2022-09-30 15
Tom 12 Nr 2
2022-06-30 16
Tom 12 Nr 1
2022-03-31 9

2021

Tom 11 Nr 4
2021-12-20 15
Tom 11 Nr 3
2021-09-30 10
Tom 11 Nr 2
2021-06-30 11
Tom 11 Nr 1
2021-03-31 14

Authors

Achraf Benba

achraf.benba@um5s.net.ma

Mohammed V University in Rabat, Ecole Nationale Supérieure d'Arts et Métiers, Electronic Systems Sensors and Nanobiotechnologies

http://orcid.org/0000-0001-7939-0790 ##orcid.unauthenticated##

Abdelilah Kerchaoui

kerchaoui.abdelilah1999@gmail.com

Mohammed V University in Rabat, Ecole Nationale Supérieure d'Arts et Métiers, Electronic Systems Sensors and Nanobiotechnologies

https://orcid.org/0009-0004-9561-5960 ##orcid.unauthenticated##

Abstrakt

Choroba Alzheimera jest chorobą neurodegeneracyjną, która stopniowo niszczy neurony poprzez tworzenie płytek krwi, które uniemożliwiają komunikację między neuronami. Badania prowadzone w ramach tego projektu mają na celu znalezienie precyzyjnego i trafnego rozwiązania diagnostycznego opartego na sztucznej inteligencji, które pomoże we wczesnym wykryciu choroby Alzheimera w celu zatrzymania jej postępu. Badanie przeszło przez proces przetwarzania obrazów MRI, po którym następowało szkolenie trzech algorytmów głębokiego uczenia (VGG-19, Xception i DenseNet121), a na koniec etap testowania i przewidywania wyników. Wyniki metryki dokładności otrzymane dla trzech algorytmów wyniosły odpowiednio 98%, 95%, 91%.

Słowa kluczowe:

choroba Alzheimera, sztuczna inteligencja, głębokie uczenie się, przetwarzanie sygnału

Bibliografia

Albawi S. et al.: Understanding of a convolutional neural network. International conference on engineering and technology (ICET), IEEE, 2017, 1–6.

Brownlee J.: Gentle introduction to the Adam optimization algorithm for deep learning. Machine Learning Mastery 3, 2017.

Chollet F.: Xception: Deep learning with depthwise separable convolutions. Proceedings of the IEEE conference on computer vision and pattern recognition, 2017, 1251–1258.

Jain R. et al.: Convolutional neural network based Alzheimer’s disease classification from magnetic resonance brain images. Cognitive Systems Research 57, 2019, 147–159.

Kaplan E. et al.: Feed-forward LPQNet based automatic alzheimer's disease detection model. Computers in Biology and Medicine 137, 2021, 104828.

Liu M. et al.: A multi-model deep convolutional neural network for automatic hippocampus segmentation and classification in Alzheimer’s disease. Neuroimage 208, 2020, 116459.

Shanmugam J. V. et al.: Alzheimer’s disease classification using pre-trained deep networks. Biomedical Signal Processing and Control 71, 2022, 103217.

Szegedy C. et al.: Inception-v4, inception-resnet and the impact of residual connections on learning. Thirty-first AAAI conference on artificial intelligence, 2017.

World Health Organization, 2012. Dementia: a public health priority. World Health Organization.

Yang K. et al.: Towards fairer datasets: Filtering and balancing the distribution of the people subtree in the imagenet hierarchy. Proceedings of the 2020 conference on fairness, accountability, and transparency, 547–558.

AUTOMATYCZNE WYKRYWANIE CHOROBY ALZHEIMERA W OPARCIU O SZTUCZNĄ INTELIGENCJĘ. (2023). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 13(1), 18-21. https://doi.org/10.35784/iapgos.3383

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 13 Nr 1 (2023)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja