Alzheimer’s Disease Diagnosis Based on Deep Learning Techniques

Abstract

Alzheimer’s disease (AD) is the most common cause of dementia, a neurodegenerative disorder that primarily affects the brain. Mild cases of dementia progressively worsen, leading to a decline in cognitive functions such as memory, thinking, reasoning, and behaviour. While there is currently no cure for AD, early diagnosis of mild cases can help slow the progression of the disease, improve patient management, and enhance overall quality of life. However, existing models for early AD diagnosis face several challenges, including low accuracy, poor generalisation, and overfitting—often due to imbalanced datasets. To address these limitations, we propose a novel Deep Learning (DL) model for early AD diagnosis. Our approach includes three main components: image processing and data augmentation, feature extraction using a customised Convolutional Neural Network (CNN), and classification. Input Magnetic Resonance Imaging (MRI) scans are classified into different stages of AD progression: Non-Demented, Very Mild Demented, Mild Demented, and Moderate Demented. The proposed model, named DementiaNet, achieves high accuracy in diagnosing AD from MRI scans. However, like most conventional CNN architectures, it demands considerable computational resources and involves a large number of parameters. To mitigate this, we developed DementiaNet-Lite, a lightweight version of the original model that incorporates depthwise separable convolutions. This technique significantly reduces the number of parameters and computational costs while maintaining, and even improving, predictive performance. We optimised our models using the Adam optimiser and trained them on MRI images from the ADNI dataset. DementiaNet achieved an accuracy of 100%, an AUC of 100%, and precision, recall, and F1-score values of 1.000 each. DementiaNetLitelikewise attained an accuracy of 100%, an AUC of 100%, and precision, recall, and F1-score values of 1.000. To assess generalisability, we further evaluated our models on the OASIS (Open Access Series of Imaging Studies) dataset. The performance remained impressive: DementiaNet achieved an accuracy of 96.64%, an AUC of 99.867%, and precision, recall, and F1-score values of 0.9536, 0.9783, and 0.9654, respectively. DementiaNetLite achieved an accuracy of 97.42%, an AUC of 99.90%, and precision, recall, and F1-score values of 0.9668, 0.9734, and 0.9699, respectively. Additionally, a comparative analysis with several state-of-the-art models confirmed that our proposed architectures consistently outperformed existing approaches. -------------------------------------------------------------------------------- يُعد مرض الزهايمر السبب الرئيسي للخرف، وهو اضطراب تنكسي عصبي يصيب الدماغ بشكل أساسي. تبدأ الأعراض بحالات خفيفة من الخرف، لكنها تتفاقم تدريجيًا، مؤدية إلى تدهور مستمر في القدرات الإدراكية مثل الذاكرة والتفكير والاستدلال والسلوك. وعلى الرغم من عدم توفر علاج نهائي لهذا المرض، فإن التشخيص المبكر يمكن أن يُبطئ من تقدّمه، ويسهم في تحسين إدارة الحالة وجودة حياة المرضى. غير أن النماذج الحالية لتشخيص الزهايمر في مراحله المبكرة تواجه تحديات متعددة، مثل انخفاض الدقة، وضعف القدرة على التعميم، وفرط التكيّف، وغالبًا ما يرجع ذلك إلى اختلال توازن البيانات. نقترح في هذا العمل إطارًا جديدًا يعتمد على تقنيات التعلم العميق لتشخيص الزهايمر في مراحله المبكرة، ويتألف من ثلاث مراحل رئيسية: المعالجة المسبقة للصور وتوسيع البيانات، استخراج الميزات باستخدام شبكة عصبية التفافية (CNN)، والتصنيف. يتم تصنيف صور الرنين المغناطيسي إلى أربع مراحل مختلفة من تطور الزهايمر: غير مصاب بالخرف، خرف خفيف جدًا، خرف خفيف، وخرف متوسط. حقق النموذج المقترح دقة تشخيص عالية، إلا أنه يتطلب موارد حسابية كبيرة وعددًا كبيرًا من المعلمات، كما هو الحال في معظم هياكل الشبكات العصبية الالتفافية التقليدية. ولتقليل هذه المتطلبات، قمنا بتطوير نسخة خفيفة من النموذج تعتمد على طبقات الالتفاف القابلة للفصل عموديًا (Depthwise Separable Convolutions)، مما ساعد على تقليص عدد المعاملات والتكلفة الحسابية مع الحفاظ على الأداء، بل وتحسينه في بعض الحالات. تم تحسين كلا النموذجين باستخدام خوارزميات فعالة، وتدريبهما على صور الرنين المغناطيسي المأخوذة من قاعدة بيانات متخصصة. وقد أظهر النموذج الأول أداءً مميزًا، فيما قدّم النموذج المخفف نتائج مشابهة، مع الحفاظ على الكفاءة. ولتقييم قدرة النموذجين على التعميم، تم اختبارهما على قاعدة بيانات أخرى تُستخدم في دراسات التصوير الطبي المفتوحة، وأظهرت النتائج ثباتًا قويًا في الأداء، مما يدل على كفاءة النموذجين في بيئات وتطبيقات متنوعة ------------------------------------------------------------------------------ La maladie d’Alzheimer (MA) est la cause la plus fréquente de démence, un trouble neurodégénératif qui affecte principalement le cerveau. Les formes légères de démence s’aggravent progressivement, entraînant un déclin des fonctions cognitives telles que la mémoire, la pensée, le raisonnement et le comportement. Bien qu’il n’existe actuellement aucun traitement curatif pour la MA, un diagnostic précoce des cas légers peut aider à ralentir la progression de la maladie, à améliorer la prise en charge des patients et à accroître leur qualité de vie. Cependant, les modèles existants pour le diagnostic précoce de la MA présentent plusieurs limites, notamment une faible précision, une mauvaise généralisation et un sur apprentissage — souvent en raison de jeux de données déséquilibrés. Pour remédier à ces limitations, nous proposons un nouveau modèle d’apprentissage profond (Deep Learning, DL) pour le diagnostic précoce de la MA. Notre approche comprend trois composants principaux : le traitement d’image et l’augmentation des données, l’extraction de caractéristiques à l’aide d’un réseau de neurones convolutifs (CNN) personnalisé, et la classification. Les images d’IRM (Imagerie par Résonance Magnétique) en entrée sont classées selon différents stades de progression de la MA : non dément, très légèrement dément, légèrement dément et modérément dément. Le modèle proposé, nommé DementiaNet, atteint une précision élevée dans le diagnostic de la MA à partir d’IRM. Toutefois, comme la plupart des architectures CNN classiques, il requiert d’importantes ressources de calcul et comporte un grand nombre de paramètres. Pour pallier cela, nous avons développé DementiaNet-Lite, une version allégée du modèle original intégrant des convolutions séparables en profondeur. Cette technique réduit considérablement le nombre de paramètres et les coûts de calcul tout en maintenant — voire en améliorant — la performance prédictive. Nos modèles ont été optimisés à l’aide de l’optimiseur Adam et entraînés sur des images IRM issues du jeu de données ADNI. DementiaNet a atteint une précision de 100 %, une AUC (aire sous la courbe) de 100 %, et des valeurs de précision, rappel et F1-score de 1,000 chacune. DementiaNet-Lite a également obtenu une précision de 100 %, une AUC de 100 %, et des scores de précision, rappel et F1 identiques. Pour évaluer la généralisabilité, nous avons en outre testé nos modèles sur le jeu de données OASIS (Open Access Series of Imaging Studies). Les performances sont restées impressionnantes : DementiaNet a atteint une précision de 96,64 %, une AUC de 99,867 %, et des scores de précision, rappel et F1 de 0,9536, 0,9783 et 0,9654 respectivement. DementiaNet-Lite a obtenu une précision de 97,42 %, une AUC de 99,90 %, et des scores de 0,9668, 0,9734 et 0,9699. De plus, une analyse comparative avec plusieurs modèles de pointe a confirmé que nos architectures proposées surpassent systématiquement les approches existantes.