تحليل صور الرنين المغناطيسي لمرض الزهايمر باستخدام تحسين التباين والشبكات العصبية

الملخص

يُعدّ مرض الزهايمر Alzheimer’s Disease – AD اضطرابًا تنكسيًا عصبيًا تدريجيًا يشكّل تحديًا كبيرًا لأنظمة الرعاية الصحية على مستوى العالم. ولا تزال عملية التصنيف المبكر والدقيق لمراحل المرض باستخدام التصوير بالرنين المغناطيسي MRI مهمة صعبة، وذلك بسبب الفروق البنيوية الطفيفة بين مراحل المرض، وانخفاض تباين الصور.

يقترح هذه البحث إطارًا محسّنًا قائمًا على صور الرنين المغناطيسي لتصنيف مرض الزهايمر متعدد المراحل، حيث يدمج بين تحسين التباين وتقنيات التعلّم العميق واستراتيجيات التصنيف الهجين. ولتحسين جودة الصور وإبراز البنى التشريحية ذات الأهمية التشخيصية، يتم تطبيق معادلة تسوية الهيستوغرام التكيفي ذات التوزيع الغاوسي

Gaussian-based Contrast-Limited Adaptive Histogram Equalization – G-CLAHE

خلال مرحلة المعالجة المسبقة. بعد ذلك، تُستخدم الشبكة العصبية الالتفافية

 Convolutional Neural Network – CNNلاستخلاص تمثيلات عميقة للميزات من الصور المحسّنة. وفي مرحلة التصنيف، تم استخدام كلٍّ من نموذج CNN مستقل، وإطار تصنيف هجين يجمع بين CNN وآلة متجه الدعم CNN–SVM.

تم تقييم المنهجية المقترحة باستخدام مجموعة بيانات عامة لصور الرنين المغناطيسي، حيث يتم تصنيف الحالات إلى أربع فئات: طبيعي إدراكيًا، ضعف إدراكي بسيط مبكر، ضعف إدراكي بسيط متأخر، ومرض الزهايمر. أظهرت النتائج التجريبية أن تحسين التباين يسهم بشكل ملحوظ في زيادة قابلية تمييز الميزات. وقد حقق نموذج CNN المستقل دقة تصنيف كلية بلغت 96%، في حين أظهر النموذج الهجين CNN–SVM تحسنًا إضافيًا في الأداء، محققًا دقة 97% مع قيم استرجاع أعلى ومتانة أفضل، لا سيما في تصنيف المراحل المرضية ضعيفة التمثيل.

الكلمات المفتاحية: مرض الزهايمر، الشبكة العصبية الالتفافية، تحسين التباين، التعلّم العميق، التصوير بالرنين المغناطيسي، آلة متجه الدعم.