With the increasing number of cases as well as care costs, Alzheimer’s disease has gained more interest in several scientific communities especially medical and computer science. Clinical and analytical tests are widely accepted techniques for detecting Alzheimer cases. However, early detection can help prevent damage to brain tissue and heal it with proper treatment. Interpreting brain images is considered as a time-consuming task with a high error-prone. Recently, advanced machine learning methods have successfully proved high performance in various fields including brain image analysis. These existing techniques, which become more used for clinical disease detection, present challenging wrongness sensibility to detect aberrant values or areas in the human brain. We conducted our work to automate the detection of the damaged areas and diagnose Alzheimer’s disease. Our method can segment MRI images, identify brain lesions and the different stages of Alzheimer’s disease. We evaluated our method using ample cases form public databases to demonstrate that our proposition performed reliable and effective results. Our proposal achieved an accuracy of 94.73%, a recall rate of 93.82%, and an F1-score of 92.8%. Also, the detection precision reached 91.76% with a sensitivity of 92.48% and a specificity rate of 90.64%. Our method creates an important way to optimize the imaging process via an automated computer-assisted diagnosis using potential deep learning methods to increase the consistency and accuracy of Alzheimer’s disease diagnosis worldwide.

中文翻译：

---

卷积方法在阿尔茨海默氏病诊断中的应用

随着病例数和护理费用的增加，阿尔茨海默氏病在几个科学界尤其是医学和计算机科学领域引起了越来越多的兴趣。临床和分析测试是检测阿尔茨海默氏病的广泛接受的技术。但是，及早发现有助于预防脑组织损伤并通过适当的治疗来治愈。解释大脑图像被认为是一项耗时且容易出错的工作。最近，先进的机器学习方法已在包括脑图像分析在内的各个领域成功证明了高性能。这些现有技术已越来越多地用于临床疾病检测，它们在检测人脑中异常值或区域方面呈现出具有挑战性的错误敏感性。我们进行了工作，以自动发现受损区域并诊断阿尔茨海默氏病。我们的方法可以分割MRI图像，识别脑部病变和阿尔茨海默氏病的不同阶段。我们使用来自公共数据库的大量案例评估了我们的方法，以证明我们的主张取得了可靠而有效的结果。我们的建议实现了94.73％的准确性，93.82％的召回率和92.8％的F1得分。另外，检测精度达到91.76％，灵敏度为92.48％，特异度为90.64％。我们的方法通过使用潜在的深度学习方法，通过自动化的计算机辅助诊断创造了一种重要的方式来优化成像过程，从而提高了全世界阿尔茨海默氏病诊断的一致性和准确性。识别脑部病变和阿尔茨海默氏病的不同阶段。我们使用来自公共数据库的大量案例评估了我们的方法，以证明我们的主张取得了可靠而有效的结果。我们的建议实现了94.73％的准确性，93.82％的召回率和92.8％的F1得分。另外，检测精度达到91.76％，灵敏度为92.48％，特异度为90.64％。我们的方法创造了一种重要的方式，可以通过使用潜在的深度学习方法的自动化计算机辅助诊断来优化成像过程，从而提高全球阿尔茨海默氏病诊断的一致性和准确性。识别脑部病变和阿尔茨海默氏病的不同阶段。我们使用来自公共数据库的大量案例评估了我们的方法，以证明我们的主张取得了可靠而有效的结果。我们的建议实现了94.73％的准确性，93.82％的召回率和92.8％的F1得分。另外，检测精度达到91.76％，灵敏度为92.48％，特异度为90.64％。我们的方法创造了一种重要的方式，可以通过使用潜在的深度学习方法的自动化计算机辅助诊断来优化成像过程，从而提高全球阿尔茨海默氏病诊断的一致性和准确性。我们的建议实现了94.73％的准确性，93.82％的召回率和92.8％的F1得分。另外，检测精度达到91.76％，灵敏度为92.48％，特异度为90.64％。我们的方法创造了一种重要的方式，可以通过使用潜在的深度学习方法的自动化计算机辅助诊断来优化成像过程，从而提高全球阿尔茨海默氏病诊断的一致性和准确性。我们的建议实现了94.73％的准确性，93.82％的召回率和92.8％的F1得分。另外，检测精度达到91.76％，灵敏度为92.48％，特异度为90.64％。我们的方法创造了一种重要的方式，可以通过使用潜在的深度学习方法的自动化计算机辅助诊断来优化成像过程，从而提高全球阿尔茨海默氏病诊断的一致性和准确性。