Deep Belief Networks Applied to Alzheimer’s Disease Detection and Classification using Neuroimaging Data / Yacine Deradra  

Public ISBD Titre : Deep Belief Networks Applied to Alzheimer’s Disease Detection and Classification using Neuroimaging Data Type de document : texte imprimé Auteurs : Yacine Deradra ; Yahia Benameur ; Abdelouahab Moussaoui, Directeur de thèse Editeur : Setif:UFA Année de publication : 2023 Importance : 1 vol (83 f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Alzheimer’s disease  deep learning  convolutional neural networks  CNN  Restricted Boltzmann machines  RBMs  pretrained models  Inception  Xception  MobileNet, DenseNet  VGG-16  VGG-19  EfficientNet B7  and ResNET  magnetic resonance imaging (MRI)  early detection  classification  Vision Transformer  ViT  maladie d’Alzheimer  apprentissage profond  réseaux neuronaux convolutionnels  machines de Boltzmann restreintes  modèles pré-entraînés  MobileNet  DenseNet  imagerie par résonance magnétique (IRM)  détection précoce Index. décimale : 004 Informatique Résumé : Accurately diagnosing early Alzheimer’s disease (AD) presents significant challenges for neuroscientists and medical professionals. Current clinical, neuropsychological, and imaging assessments have limitations, often resulting in inconclusive diagnoses for patients with early dementia. Magnetic Resonance Imaging (MRI) combined with deep learning techniques has emerged as a promising alternative for detecting and characterizing Alzheimer’s disease. Our approach involves fine-tuning and integrating deep learning models pretrained on large datasets, including Restricted Boltzmann Machines (RBMs), convolutional neural network (CNN) architectures both with and without attention mechanisms. Inception, Xception, MobileNet, DenseNet, VGG-16, VGG-19, EfficientNet B7, and ResNET. Additionally, we explore the potential of applying Vision Transformer (ViT) models powered by Keras (ViT B32). By capitalizing on the strengths of these models and techniques, our proposed approach achieves an accuracy of up to 94.06% for the detection and classification of Alzheimer’s disease = Le diagnostic précis de la maladie d’Alzheimer précoce présente d’importants défis pour les neuroscientifiques et les professionnels de la santé. Les évaluations cliniques, neuropsychologiques et d’imagerie actuelles ont des limites, conduisant souvent à des diagnostics inconclusifs pour les patients atteints de démence précoce. L’imagerie par résonance magnétique (IRM), combinée à des techniques d’apprentissage profond, s’est révélée être une alternative prometteuse pour détecter et caractériser la maladie d’Alzheimer. Notre approche consiste à affiner et à intégrer des modèles d’apprentissage profond pré-entraînés sur de grands ensembles de données, comprenant des machines de Boltzmann restreintes (RBM), des architectures de réseaux neuronaux convolutionnels (CNN) avec ou sans mécanismes d’attention. Nous utilisons Inception, Xception, MobileNet, DenseNet, VGG-16, VGG-19, EfficientNet B7 et ResNet. De plus, nous explorons le potentiel d’application des modèles Vision Transformer (ViT) alimentés par Keras (ViT B32). En tirant parti des forces de ces modèles et techniques, notre approche proposée atteint une précision impressionnante allant jusqu’à 94,06 % pour la détection et la classification de la maladie d’Alzheimer précoce. Côte titre : MAI/0758 En ligne : https://drive.google.com/file/d/1lf42lgwF-sGiN3V5qlxA5Tcl-7Y3L4Ap/view?usp=drive [...] Format de la ressource électronique : pdf Deep Belief Networks Applied to Alzheimer’s Disease Detection and Classification using Neuroimaging Data [texte imprimé] / Yacine Deradra ; Yahia Benameur ; Abdelouahab Moussaoui, Directeur de thèse . - [S.l.] : Setif:UFA, 2023 . - 1 vol (83 f.) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Alzheimer’s disease  deep learning  convolutional neural networks  CNN  Restricted Boltzmann machines  RBMs  pretrained models  Inception  Xception  MobileNet, DenseNet  VGG-16  VGG-19  EfficientNet B7  and ResNET  magnetic resonance imaging (MRI)  early detection  classification  Vision Transformer  ViT  maladie d’Alzheimer  apprentissage profond  réseaux neuronaux convolutionnels  machines de Boltzmann restreintes  modèles pré-entraînés  MobileNet  DenseNet  imagerie par résonance magnétique (IRM)  détection précoce Index. décimale : 004 Informatique Résumé : Accurately diagnosing early Alzheimer’s disease (AD) presents significant challenges for neuroscientists and medical professionals. Current clinical, neuropsychological, and imaging assessments have limitations, often resulting in inconclusive diagnoses for patients with early dementia. Magnetic Resonance Imaging (MRI) combined with deep learning techniques has emerged as a promising alternative for detecting and characterizing Alzheimer’s disease. Our approach involves fine-tuning and integrating deep learning models pretrained on large datasets, including Restricted Boltzmann Machines (RBMs), convolutional neural network (CNN) architectures both with and without attention mechanisms. Inception, Xception, MobileNet, DenseNet, VGG-16, VGG-19, EfficientNet B7, and ResNET. Additionally, we explore the potential of applying Vision Transformer (ViT) models powered by Keras (ViT B32). By capitalizing on the strengths of these models and techniques, our proposed approach achieves an accuracy of up to 94.06% for the detection and classification of Alzheimer’s disease = Le diagnostic précis de la maladie d’Alzheimer précoce présente d’importants défis pour les neuroscientifiques et les professionnels de la santé. Les évaluations cliniques, neuropsychologiques et d’imagerie actuelles ont des limites, conduisant souvent à des diagnostics inconclusifs pour les patients atteints de démence précoce. L’imagerie par résonance magnétique (IRM), combinée à des techniques d’apprentissage profond, s’est révélée être une alternative prometteuse pour détecter et caractériser la maladie d’Alzheimer. Notre approche consiste à affiner et à intégrer des modèles d’apprentissage profond pré-entraînés sur de grands ensembles de données, comprenant des machines de Boltzmann restreintes (RBM), des architectures de réseaux neuronaux convolutionnels (CNN) avec ou sans mécanismes d’attention. Nous utilisons Inception, Xception, MobileNet, DenseNet, VGG-16, VGG-19, EfficientNet B7 et ResNet. De plus, nous explorons le potentiel d’application des modèles Vision Transformer (ViT) alimentés par Keras (ViT B32). En tirant parti des forces de ces modèles et techniques, notre approche proposée atteint une précision impressionnante allant jusqu’à 94,06 % pour la détection et la classification de la maladie d’Alzheimer précoce. Côte titre : MAI/0758 En ligne : https://drive.google.com/file/d/1lf42lgwF-sGiN3V5qlxA5Tcl-7Y3L4Ap/view?usp=drive [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0758	MAI/0758	Mémoire	Bibliothéque des sciences	Anglais	Disponible Disponible

---

1 (1 - 1 / 1)