Stage classification of alzheimer’s disease MRI data via deep neural network architectures

Abstract

This study compares five deep learning architectures for Alzheimer's disease stage classification using structural magnetic resonance imaging (MRI) data. The experiments are conducted using the OASIS dataset, which comprises brain MRI scans representing multiple clinical stages of Alzheimer’s disease obtained from real-world clinical scenarios. Deep learning models are trained and assessed using the same parameters to maintain consistency in comparison. Accuracy, F1 score, and macro-averaged ROC-AUC are used to measure performance on the test set. InceptionV3 achieves the highest performance (test accuracy: 0.86, macro-AUC: 0.97). MobileNetV2 obtains 0.74 test accuracy and 0.90 macro-AUC while requiring significantly lower computational cost. These findings indicate that InceptionV3 delivers the most reliable overall performance, whereas MobileNetV2 represents a practical choice for deployment in resource-constrained environments.

Bu çalışma, yapısal manyetik rezonans görüntüleme (MRI) verileri kullanılarak Alzheimer hastalığının evre sınıflandırması için beş derin öğrenme mimarisini karşılaştırmaktadır. Deneylerde, dört klinik Alzheimer evresini temsil eden 416 bireye ait MRI görüntülerini içeren OASIS veri seti kullanılmıştır. Tüm modeller, adil karşılaştırma sağlamak amacıyla aynı ön işleme adımları ve hiperparametre ayarları altında eğitilmiştir. Performans, test kümesi üzerinde doğruluk, F1 skoru ve makro ortalamalı ROC-AUC metrikleri ile değerlendirilmiştir. InceptionV3 modeli %0.86 test doğruluğu ve 0.97 makro AUC değeri ile en yüksek performansı göstermiştir. MobileNetV2 ise %0.74 test doğruluğu ve 0.90 makro AUC değeri ile daha düşük hesaplama maliyeti sunmuştur. Bulgular, InceptionV3’ün en güçlü sınıflandırma performansını sağladığını; MobileNetV2’nin ise kaynak kısıtlı ortamlarda uygulanabilir bir alternatif olduğunu göstermektedir.