طبقه بندی داده های بیماری آلزایمر با شبکه عصبی و فاصله ماهالانوبیس در متلب

طبقه بندی داده های بیماری آلزایمر با MATLAB

در این بخش پروژه طبقه بندی داده های بیماری آلزایمر با شبکه عصبی و فاصله ماهالانوبیس در نرم افزار MATLAB آماده کرده ایم که در ادامه توضیحاتی از معرفی پروژه ارائه شده و فیلم و تصاویر خروجی پروژه در محیط متلب قرار داده شده است.

طبقه بندی داده های پزشکی

در طی سال های اخیر پژوهش های بسیاری برای تجزیه و تحلیل مغز برای تشخیص بیماری های مغزی انجام شده است که تکنیک های شبکه عصبی و یادگیری ماشین (Machine learning) نقش مهمی در ایجاد سیستم های هوشمند تشخیصی ایفا کرده اند. یکی از چالش های ایجاد سیستم های دستیار پزشکی ، نمونه هایی با ابعاد بزرگ و تنوع پایین آن می باشد. در طی چند سال اخیر شبکه های یادگیری عمیق به یک پای ثابت برای تحقیقات طبقه بندی تصاویر و داده های پزشکی تبدیل شده اند و در تحقیقات بسیاری برای کاربرد های مختلف از آنها استفاده شده است. روش های یادگیری ماشین از قدرت بالایی برای پردازش حجم زیادی از اطلاعات برخوردار هستند و به خوبی می توانند نمونه های مختلف را یاد بگیرند و به دسته های درست طبقه بندی کنند.

معرفی پروژه

در این پروژه از شبکه عصبی و روش فاصله ماهالانوبیس (Mahalanobis Distance) و با هدف تشخیص داده‌ پرت در نرم افزار متلب استفاده شده تا بتوان به صورت بهینه بیمارانی که در معرض آلزایمر شدید هستند را شناسایی کرد. همچنین برای کاهش بُعد داده ها و کم کردن تعداد متغیرها از تکنیک PCA یا تحلیل مولفه‌ های اصلی (Principal Component Analysis) استفاده شده است. تشخیص داده های پرت و دور افتاده (Outlier) در محاسبات و تجزیه و تحلیل ‌های داده ‌ها موضوع مهمی است. با توجه به اینکه اینگونه داده ها را از مدل‌ های آماری خارج می‌ کنیم باید اطمینان داشته باشیم که حذف آنها در پیش بینی های دنیای واقعی تاثیری نخواهد گذاشت و مدل ساخته شده به درستی عمل می کند.

---

---

تصاویری از خروجی