1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
  2. Роботи студентів
  3. Магістр
  4. 122 — комп’ютерні науки
霂瑞霂��撘����迨��辣: http://elartu.tntu.edu.ua/handle/lib/47027
Title: Інформаційна система для діагностики хвороби Альцгеймера з використанням нейронних мереж
Other Titles: Information System for Diagnosis of Alzheimer'S Disease Using Neural Networks
Authors: Роган, Ярослав Ігорович
Rohan, Yaroslav
Affiliation: Тернопільський національний технічний університет імені Івана Пулюя, факультет комп’ютерно-інформаційних систем і програмної інженерії, кафедра комп’ютерних наук, м. Тернопіль, Україна
Bibliographic description (Ukraine): Роган Я. І. Інформаційна система для діагностики хвороби Альцгеймера з використанням нейронних мереж : робота на здобуття кваліфікаційного ступеня магістра : спец. 122 - комп’ютерні науки / наук. кер. М. Є. Фриз. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2024. 71 с.
Issue Date: 26-十二月-2024
Submitted date: 12-十二月-2024
Date of entry: 2-一月-2025
Publisher: Тернопільський національний технічний університет імені Івана Пулюя
Country (code): UA
Place of the edition/event: ТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Україна
Supervisor: Фриз, Михайло Євгенович
Fryz, Mykhailo
UDC: 004.8
Keywords: комп’ютерні науки
МРТ головного мозку
діагностика хвороби
машинне навчання
навчання нейронної мережі
нейронні мережі
хвороба Альцгеймера
інформаційна система
Alzheimer's disease
Grad-CAM
brain MRI
disease diagnostics
information system
machine learning
neural network training
neural networks
Page range: 71
Abstract: Кваліфікаційна робота присвячена розробці інформаційної системи для діагностики хвороби Альцгеймера з використанням нейронних мереж. В першому розділі кваліфікаційної роботи описано предметне середовище та проаналізовано літературні джерела. В другому розділі кваліфікаційної роботи проаналізовано предметну область та описано підготовку даних для навчання нейронної мережі. В третьому розділі кваліфікаційної роботи описано засоби розробки, проаналізовано результати роботи нейронної мережі Inception V3 та реалізовано алгоритм Grad-CAM. В четвертому розділі кваліфікаційної роботи проаналізовано важливість дотримання норм охорони праці та заходів безпеки в надзвичайних ситуаціях та розглянуто аспекти безпеки, пов’язані з використанням комп’ютерного обладнання та програмного забезпечення. Об’єкт дослідження: процес здійснення діагностики хвороби Альцгеймера. Предмет дослідження: методи штучного інтелекту, зокрема нейронні мережі для діагностики хвороби Альцгеймера.
Thesis is devoted to the development of an information system for diagnosing Alzheimer's disease using neural networks. The first chapter of the thesis describes the subject environment and analyzes the literature. The second chapter of the qualification work analyzes the subject area and describes the preparation of data for training a neural network. The third section of the qualification work describes the development tools, analyzes the results of the Inception V3 neural network and implements the Grad-CAM algorithm. The fourth chapter of the qualification work analyzes the importance of compliance with labor protection standards and safety measures in emergencies and considers the safety aspects associated with the use of computer hardware and software. Object of research: an information system for diagnosing Alzheimer's disease. Subject of research: methods of artificial intelligence, in particular neural networks for diagnosing Alzheimer's disease.
Description: Роботу виконано на кафедрі комп'ютерних наук Тернопільського національного технічного університету імені Івана Пулюя. Захист відбудеться 26.12.2024 р. о 10 год. на засіданні екзаменаційної комісії №35 у Тернопільському національному технічному університеті імені Івана Пулюя
Content: Вступ 10 1 Аналітичний огляд літературних джерел за напрямом дослідження 12 1.1 Огляд хвороби Альцгеймера 12 1.2 Аналіз методів діагностики хвороби Альцгеймера з використанням машинного навчання 15 1.3 Висновки до першого розділу 23 2 Опис інформаційної системи 25 2.1 Дані та їх аугментація 25 2.2 Опис методів штучного інтелекту для обробки медичних зображень 27 2.3 Архітектура інформаційної системи 35 2.4 Висновки до другого розділу 40 3 Розробка та тестування системи 41 3.1 Тренування нейронної мережі 41 3.2 Аналіз отриманих результатів з використанням Grad-CAM 48 3.3 Висновки до третього розділу 51 4 Охорона праці та безпека в надзвичайних ситуаціях 53 4.1 Організація робочого місця для користувачів комп’ютерної мережі 53 4.2 Фактори ризику і можливі порушення здоров’я користувачів комп’ютерної мережі 57 4.3 Висновок до четвертого розділу 61 Висновки 62 Перелік джерел 64 Додатки
URI: http://elartu.tntu.edu.ua/handle/lib/47027
Copyright owner: © Роган Ярослав Ігорович, 2024
References (Ukraine): 1. Oishi, K., Fuse, H., Maikusa, N., Fukami, T., & Alzheimer's Disease Neuroimaging Initiative. (2018). Classification of patients with Alzheimer's disease and healthy subjects from MRI brain images using the existence probability of tissue types. *2018 Joint 10th International Conference on Soft Computing and Intelligent Systems (SCIS) and 19th International Symposium on Advanced Intelligent Systems (ISIS)*, 1035-1038. https://doi.org/10.1109/SCIS-ISIS.2018.00172
2. Anuradha, G., Jamal, N., & Rafiammal, S. (2017). Detection of dementia in EEG signal using dominant frequency analysis. *2017 IEEE International Conference on Power, Control, Signals and Instrumentation Engineering (ICPCSI)*, 710-714. https://doi.org/10.1109/ICPCSI.2017.8391806
3. Liu, J., Tian, X., Lin, H., Li, H.-D., & Pan, Y. (2024). Multi-task learning for Alzheimer's disease diagnosis and mini-mental state examination score prediction. *Big Data Mining and Analytics, 7*(3), 828-842. https://doi.org/10.26599/BDMA.2024.9020025
4. Zuo, L. (2022). Comparison between the traditional and computerized cognitive training programs in treating mild cognitive impairment. *2022 2nd International Conference on Electronic Information Engineering and Computer Technology (EIECT)*, 119-124. https://doi.org/10.1109/EIECT58010.2022.00029
5. Rahimpour, M., Goffin, K., & Koole, M. (2019). Convolutional neural networks for brain tumor segmentation using different sets of MRI sequences. *2019 IEEE Nuclear Science Symposium and Medical Imaging Conference (NSS/MIC)*, 1-3. https://doi.org/10.1109/NSS/MIC42101.2019.9059769
6. Abuzaid, M. M., Yuvalı, M., & Ozsahin, D. U. (2024). Machine learning classification of patients undergoing abdominal CT scans: Factors affecting imaging quality and radiation exposure. *2024 Advances in Science and Engineering Technology International Conferences (ASET)*, 1-8. https://doi.org/10.1109/ASET60340.2024.10708642
7. Pomper, M. G., & Hammoud, D. A. (2004). Positron emission tomography in molecular imaging. *IEEE Engineering in Medicine and Biology Magazine, 23*(4), 28-37. https://doi.org/10.1109/MEMB.2004.1337947
8. Scopus. (n.d.). Retrieved from https://www.scopus.com/
9. Kadhim, K., Mohamed, F., Sakran, A., Adnan, M., & Salman, G. (2023). Early diagnosis of Alzheimer's disease using convolutional neural network-based MRI. *Malaysian Journal of Fundamental and Applied Sciences, 19*(3), 362-368
10. Dakdareh, S. (2024). Diagnosis of Alzheimer’s disease and mild cognitive impairment using convolutional neural networks. *Journal of Alzheimer’s Disease Reports, 8*(1), 317-328
11. Warren, S., & Moustafa, A. (2022). Functional magnetic resonance imaging, deep learning, and Alzheimer's disease: A systematic review. *Journal of Neuroimaging, 33*(1), 5-18
12. Liu, M., Zhang, J., Adeli, E., & Shen, D. (2019). Joint classification and regression via deep multi-task multi-channel learning for Alzheimer’s disease diagnosis. *IEEE Transactions on Biomedical Engineering, 66*(5), 1195-1206
13. Mehmood, A., Maqsood, M., Bashir, M., & Shuyuan, Y. (2020). A deep Siamese convolution neural network for multi-class classification of Alzheimer's disease. *Brain Sciences, 10*(2), 84
14. Martinez-Murcia, F. J., Ortiz, A., Gorriz, J.-M., et al. (2020). Studying the manifold structure of Alzheimer's disease: A deep learning approach using convolutional autoencoders. *IEEE Journal of Biomedical and Health Informatics, 24*(1), 17-26
15. Wang, H., Shen, Y., Wang, S., Xiao, T., Deng, L., Wang, X., ... & Zhao, X. (2019). Ensemble of 3D densely connected convolutional network for diagnosis of mild cognitive impairment and Alzheimer's disease. *Neurocomputing, 333*, 145-156
16. Zhao, M. (2023). Recent progresses in neural networks for Alzheimer's disease detection. Retrieved from [Publisher Info]
17. Hong, X., Lin, R., Yang, C., Zeng, N., Cai, C., Gou, J., ... & Yang, J. (2019). Predicting Alzheimer's disease using LSTM. *IEEE Access, 7*, 80893-80901
18. Ramzan, F., Khan, M., Rehmat, A., Iqbal, S., Saba, T., & Mehmood, Z. (2019). A deep learning approach for automated diagnosis and multi-class classification of Alzheimer's disease stages using resting-state fMRI and residual neural networks. *Journal of Medical Systems, 44*(2)
19. Ju, R., Hu, C., Zhou, P., & Li, Q. (2019). Early diagnosis of Alzheimer's disease based on resting-state brain networks and deep learning. *IEEE/ACM Transactions on Computational Biology and Bioinformatics, 16*(1), 244-257
20. Mehmood, A., Yang, S., Feng, Z., et al. (2021). A transfer learning approach for early diagnosis of Alzheimer’s disease on MRI images. *Neuroscience, 460*, 43-52
21. Gupta, Y., Lama, R. K., & Kwon, G.-R. (2019). Prediction and classification of Alzheimer's disease based on combined features from apolipoprotein-E genotype, cerebrospinal fluid, MR, and FDG-PET imaging biomarkers. *Frontiers in Computational Neuroscience, 13*, 72
22. El-Sappagh, S., Alonso, J. M., Islam, S. M. R., et al. (2021). A multilayer multimodal detection and prediction model based on explainable artificial intelligence for Alzheimer’s disease. *Scientific Reports, 11*(1), 2660
23. Kruthika, K. R., Rajeswari, & Maheshappa, H. D. (2019). Multistage classifier-based approach for Alzheimer’s disease prediction and retrieval. *Informatics in Medicine Unlocked, 14*, 34-42
24. Durongbhan, P., Zhao, Y., Chen, L., et al. (2019). A dementia classification framework using frequency and time-frequency features based on EEG signals. *IEEE Transactions on Neural Systems and Rehabilitation Engineering, 27*(5), 826-835
25. Chamakuri, R., & Janapana, H. (2024). A systematic review on recent methods on deep learning for automatic detection of Alzheimer's disease. *Medicine in Novel Technology and Devices, 25*, 100343. https://doi.org/10.1016/j.medntd.2024.100343
26. Benussi, A., Grassi, M., Palluzzi, F., et al. (2020). Classification accuracy of transcranial magnetic stimulation for the diagnosis of neurodegenerative dementias. *Annals of Neurology, 87*(3), 394–404. https://doi.org/10.1002/ana.25680
27. Fulton, L., Dolezel, D., Harrop, J., et al. (2019). Classification of Alzheimer’s disease with and without imagery using gradient boosted machines and ResNet-50. *Brain Sciences, 9*(9), 212. https://doi.org/10.3390/brainsci9090212
28. Alzheimer’s dataset (4 classes of images) [Data set]. Retrieved from https://www.kaggle.com/datasets/marcopinamonti/alzheimer-mri-4-classes-dataset
29. Padigela, J., Balla, S. S., Akula, P., & Sravani, K. (2023). Comparison of data augmentation techniques for training CNNs to detect pneumonia from chest X-ray images. *2023 International Conference on Computational Intelligence for Information, Security and Communication Applications (CIISCA)*, 35–39. https://doi.org/10.1109/CIISCA59740.2023.00017
30. Chen, G., & Yuan, Q. (2021). Application and existing problems of computer network technology in the field of artificial intelligence. *2021 2nd International Conference on Artificial Intelligence and Computer Engineering (ICAICE)*, Hangzhou, China, 139–142. https://doi.org/10.1109/ICAICE54393.2021.00035
31. T. R. N., & Gupta, R. (2020). A survey on machine learning approaches and its techniques. *2020 IEEE International Students' Conference on Electrical, Electronics and Computer Science (SCEECS)*, Bhopal, India, 1–6. https://doi.org/10.1109/SCEECS48394.2020.190
32. Kaloev, M., & Krastev, G. (2021). Experiments focused on exploration in deep reinforcement learning. *2021 5th International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT)*, 351–355. https://doi.org/10.1109/ISMSIT52890.2021.9604690
33. Cai, M. (2022). Neural network model structure and node optimization based on mathematical statistics. *2022 Sixth International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud) (I-SMAC)*, 623–626. https://doi.org/10.1109/I-SMAC55078.2022.9987313
34. Li, H. (2021). Computer network connection enhancement optimization algorithm based on convolutional neural network. *2021 International Conference on Networking, Communications and Information Technology (NetCIT)*, 281–284. https://doi.org/10.1109/NetCIT54147.2021.00063
35. Fryz, M., Scherbak, L., Mlynko, B., & Mykhailovych, T. (2023). Linear random process model-based EEG classification using machine learning techniques. *Proceedings of the 1st International Workshop on Computer Information Technologies in Industry 4.0 (CITI 2023)*, 126–132
36. Stadnyk, M., Fryz, M., Zagorodna, N., Muzh, V., Kochan, R., Nikodem, J., & Hamera, L. (2022). Steady state visual evoked potential classification by modified KNN method. *Procedia Computer Science, 207*, 71–79
37. Troedsson, E., Carlsson, M., & Wendt, H. (2024). On gradient-based descent algorithms for joint diagonalization of matrices. *2024 32nd European Signal Processing Conference (EUSIPCO)*, 2632–2636. https://doi.org/10.23919/EUSIPCO63174.2024.10715124
38. Бабак, В. П., Куц, Ю. В., Мислович, М. В., Фриз, М. Є., & Щербак, Л. М. (2024). Об’єктно-орієнтована ідентифікація стохастичних шумових сигналів. Київ: Наукова думка. https://doi.org/10.15407/978-966-00-1883-9
39. Babak, V., Zaporozhets, A., Kuts, Y., Fryz, M., & Scherbak, L. (2025). Noise signals: Modelling and analyses. Cham: Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-71093-3
40. Fryz, M., Kharchenko, S., & Scherbak, L. (2023). Ergodicity and mixing of conditional linear random processes in the problems of information signal modelling and analysis. *Proceedings of the 3rd International Workshop on Information Technologies: Theoretical and Applied Problems (ITTAP 2023)*, 382–388
41. Şen, S. Y., & Özkurt, N. (2020). Convolutional neural network hyperparameter tuning with Adam optimizer for ECG classification. *2020 Innovations in Intelligent Systems and Applications Conference (ASYU)*, 1–6. https://doi.org/10.1109/ASYU50717.2020.9259896
42. Shetty, S. B., Nishith, C. S., Kamath, & Nishani. (2022). Skin disease classification using inceptionV3 model. *2022 International Conference on Artificial Intelligence and Data Engineering (AIDE)*, 312–315. https://doi.org/10.1109/AIDE57180.2022.10059678
43. Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., & Wojna, Z. (2015). Rethinking the inception architecture for computer vision. *ArXiv*. https://arxiv.org/abs/1512.00567
44. Rodriguez-Cardenas, D. (2024). Beyond accuracy and robustness metrics for large language models for code. *2024 IEEE/ACM 46th International Conference on Software Engineering: Companion Proceedings (ICSE-Companion)*, 159–161. https://doi.org/10.1145/3639478.3639792
45. Bansal, A., Singh, J., Verucchi, M., Caccamo, M., & Sha, L. (2021). Risk ranked recall: Collision safety metric for object detection systems in autonomous vehicles. *2021 10th Mediterranean Conference on Embedded Computing (MECO)*, Budva, Montenegro, 1–4. https://doi.org/10.1109/MECO52532.2021.9460196
46. Yadav, P., Sujatha, P., Dhavachelvan, P., & Prasad, K. (2014). Weight-based precision-oriented metrics for multilingual information retrieval system. *2014 IEEE International Conference on Advanced Communications, Control and Computing Technologies (ICACCCT)*, 1114–1119. https://doi.org/10.1109/ICACCCT.2014.7019271
47. Sepúlveda, J., & Velastín, S. A. (2015). F1 score assessment of Gaussian mixture background subtraction algorithms using the MuHAVi dataset. *6th International Conference on Imaging for Crime Prevention and Detection (ICDP-15)*, London, UK, 1–6. https://doi.org/10.1049/ic.2015.0106
48. Bahaweres, R. B., & Nuraini, I. K. (2024). Cost-sensitive approach for improving AUC-ROC curve of software defect prediction. *2024 International Seminar on Intelligent Technology and Its Applications (ISITIA)*, Mataram, Indonesia, 178–183. https://doi.org/10.1109/ISITIA63062.2024.10668184
49. Krstinić, D., Šerić, L., & Slapničar, I. (2023). Comments on “MLCM: Multi-Label Confusion Matrix.” *IEEE Access, 11*, 40692–40697. https://doi.org/10.1109/ACCESS.2023.3267672
50. Selvaraju, R. R., Cogswell, M., Das, A., et al. (2020). Grad-CAM: Visual explanations from deep networks via gradient-based localization. *International Journal of Computer Vision, 128*(2), 336–359. https://doi.org/10.1007/s11263-019-01228-7
51. Gildenblat, J. (n.d.). Advanced AI explainability for PyTorch [Software]. Retrieved from https://github.com/jacobgil/pytorch-grad-cam
52. Creating perfect ergonomic workspace: Ultimate guide [Website]. Retrieved from https://ergonomictrends.com/creating-perfect-ergonomic-workspace-ultimate-guide/
Content type: Master Thesis
�蝷箔����:122 — комп’ютерні науки

��辣銝剔�﹝獢�:
獢�獢� ��膩 憭批���撘� 
Mag_2024_SNm_61_Rohan_Yaroslav.pdfДипломна робота2,01 MBAdobe PDF璉�閫�/撘��
�蝷箸�辣摰蝥芸��


�DSpace銝剜�������★��������雿��.

蝞∠�極�