Inception and Squeeze-Excitation Network Based Deep Learning Model for Classification of Alzheimer's Disease from MRI Images

Basit Öğe Kaydı
dc.contributor.authorFırat, Hüseyin
dc.contributor.authorÜzen, Hüseyin
dc.date.accessioned2025-03-08T18:26:00Z
dc.date.available2025-03-08T18:26:00Z
dc.date.issued2024
dc.departmentDicle Üniversitesi
dc.description.abstractAlzheimer's disease (AD) is a progressive brain disorder, the leading cause of dementia in older adults. Early identification is vital, as treatment is more effective in the disease's initial stages. Deep learning techniques have proven to be effective in medical imaging, including AD detection. This study introduces a novel method for AD classification from MRI images, combining an Inception module and a squeeze-and-excitation block. The Inception module increases convolutional neural network accuracy by using multiple parallel convolutions at different scales. The squeeze-and-excitation block enhances performance with minimal added parameters. The experimental results on the four-class Kaggle dataset yielded an accuracy of 98.28%. Comparisons with recent studies in the literature clearly demonstrate the success of the proposed method in classifying AD with high accuracy. This approach holds promise for accurately classifying AD from medical images, enabling earlier diagnosis and intervention.
dc.description.abstractAlzheimer hastalığı (AH) ilerleyici bir beyin hastalığıdır ve yaşlı yetişkinlerde demansın önde gelen nedenidir. Hastalığın ilk aşamalarında tedavi daha etkili olduğu için erken teşhis hayati önem taşımaktadır. Derin öğrenme tekniklerinin, AH tespiti de dahil olmak üzere tıbbi görüntülemede etkili olduğu kanıtlanmıştır. Bu çalışmada, manyetik rezonans görüntüleme görüntülerinden AH sınıflandırması için bir Inception modülü ile bir sıkma ve uyarma bloğunu birleştiren yeni bir yöntem tanıtılmaktadır. Inception modülü, farklı ölçeklerde çoklu paralel evrişimler kullanarak evrişimsel sinir ağı doğruluğunu arttırmaktadır. Sıkma ve uyarma bloğu, minimum ek parametre ile performansı arttırmaktadır. Dört sınıflı Kaggle veri seti üzerindeki deneysel sonuçlar ile %98,28'lik bir doğruluk değeri elde edilmiştir. Literatürdeki son çalışmalarla yapılan karşılaştırmalar, önerilen yöntemin AH'yi yüksek doğrulukla sınıflandırmadaki başarısını açıkça göstermektedir. Bu yaklaşım, tıbbi görüntülerden AH'yi doğru bir şekilde sınıflandırarak daha erken teşhis ve müdahaleye olanak sağlama konusunda umut vaat etmektedir.
dc.identifier.doi10.21605/cukurovaumfd.1514656
dc.identifier.endpage567
dc.identifier.issn2757-9255
dc.identifier.issue2
dc.identifier.startpage555
dc.identifier.urihttps://doi.org/10.21605/cukurovaumfd.1514656
dc.identifier.urihttps://hdl.handle.net/11468/30534
dc.identifier.volume39
dc.language.isotr
dc.publisherCukurova University
dc.relation.ispartofCukurova University Journal of the Faculty of Engineering
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanı
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_DergiPark_21250205
dc.subjectInception module
dc.subjectSqueeze-and-excitation block
dc.subjectAlzheimer’s disease
dc.subjectClassification
dc.subjectInception modülü
dc.subjectSıkma-uyarma bloğu
dc.subjectAlzheimer hastalığı
dc.subjectSınıflandırma
dc.titleInception and Squeeze-Excitation Network Based Deep Learning Model for Classification of Alzheimer's Disease from MRI Images
dc.title.alternativeMR Görüntülerinden Alzheimer Hastalığının Sınıflandırılması için Inception ve Sıkma-Uyarma Ağı Tabanlı Derin Öğrenme Modeli
dc.typeArticle

Dosyalar

Koleksiyon

DergiPark Kayıtları Koleksiyonu