<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE ArticleSet PUBLIC "-//NLM//DTD PubMed 2.7//EN" "https://dtd.nlm.nih.gov/ncbi/pubmed/in/PubMed.dtd">
<ArticleSet>
<Article>
<Journal>
				<PublisherName>دانشگاه اصفهان</PublisherName>
				<JournalTitle>هوش محاسباتی در مهندسی برق</JournalTitle>
				<Issn>2821-0689</Issn>
				<Volume>17</Volume>
				<Issue>2</Issue>
				<PubDate PubStatus="epublish">
					<Year>2026</Year>
					<Month>08</Month>
					<Day>23</Day>
				</PubDate>
			</Journal>
<ArticleTitle>Early Detection of Alzheimer's Disease Using Deep Learning and SMOTE-Based Data Augmentation for Improved MRI Classification</ArticleTitle>
<VernacularTitle>تشخیص زودهنگام بیماری آلزایمر با استفاده از یادگیری عمیق و افزایش داده مبتنی بر SMOTE برای بهبود طبقه‌بندی تصاویر MRI</VernacularTitle>
			<FirstPage>1</FirstPage>
			<LastPage>14</LastPage>
			<ELocationID EIdType="pii">30787</ELocationID>
			
<ELocationID EIdType="doi">10.22108/isee.2026.144405.1725</ELocationID>
			
			<Language>FA</Language>
<AuthorList>
<Author>
					<FirstName>سجاد</FirstName>
					<LastName>آقاسی جاوید</LastName>
<Affiliation>کارشناسی ارشد،گروه مخابرات، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران</Affiliation>

</Author>
<Author>
					<FirstName>محمود</FirstName>
					<LastName>محصل فقهی</LastName>
<Affiliation>دانشیار،گروه مخابرات، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران</Affiliation>

</Author>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2025</Year>
					<Month>02</Month>
					<Day>18</Day>
				</PubDate>
			</History>
		<Abstract>definitive cure, early diagnosis can significantly slow the disease&#039;s progression. In this research, a framework based on transfer learning is presented for diagnosing different stages of Alzheimer&#039;s disease from brain MRI images. To reduce the effect of data imbalance, the SMOTE technique was used to balance the classes, and then deep features were extracted using the pre-trained InceptionV3 network. Subsequently, final classification was performed using the DEMNET architecture, which was selected due to its lower number of parameters and strong generalization capability for small medical datasets. Experimental results on the Kaggle dataset showed that the proposed model achieved an accuracy of 98.52%, precision of 98.31%, recall of 98.47%, and an F1-score of 98.39%. Furthermore, the area under the ROC curve (AUC) value was 99%, indicating the model&#039;s high discriminative ability in identifying different stages of the disease. A comparison of the results with those obtained without using SMOTE also indicates a significant improvement in all evaluation metrics. The findings suggest that the combination of transfer learning, data balancing, and the lightweight DEMNET architecture can serve as an efficient approach for the automatic diagnosis of Alzheimer&#039;s from MRI images. This approach holds promise for application in clinical decision support systems.</Abstract>
			<OtherAbstract Language="FA">بیماری آلزایمر شایع‌ترین نوع زوال عقل در جهان است که با وجود نبود درمان قطعی، تشخیص زودهنگام آن می‌تواند روند پیشرفت بیماری را به طرزی چشمگیر کُند کند. در این پژوهش، یک چارچوب مبتنی بر یادگیری انتقالی برای تشخیص مراحل مختلف بیماری آلزایمر از تصاویر MRI مغز ارائه شده است. به‌ منظور کاهش اثر عدم ‌توازن داده‌ها، از تکنیک SMOTE برای متوازن‌سازی کلاس‌ها استفاده شد و سپس، ویژگی‌های عمیق با بهره‌گیری از شبکۀ از پیش ‌آموزش‌دیدۀ InceptionV3 استخراج شدند. در ادامه، طبقه‌بندی نهایی با استفاده از معماری DEMNET انجام شد که به دلیل تعداد پارامتر کمتر و توانایی تعمیم‌پذیری مناسب برای مجموعه‌داده‌های پزشکی کوچک انتخاب شد. نتایج تجربی بر روی مجموعه‌دادۀ Kaggle نشان داد مدل پیشنهادی به دقت برابر 52/98 درصد، صحت برابر 31/98 درصد، معیار پوشش برابر 47/98 درصد و امتیاز F1-score معادل 39/98 درصد دست یافته است. همچنین، مقدار سطح زیر منحنی ROC (AUC) برابر 99 درصد به ‌دست آمد که نشان‌دهندۀ توان تفکیک بسیار زیاد مدل در شناسایی مراحل مختلف بیماری است. مقایسۀ نتایج با حالت بدون استفاده از SMOTE نیز بیانگر بهبود معنادار تمامی معیارهای ارزیابی است. یافته‌های این مطالعه نشان می‌دهد ترکیب یادگیری انتقالی، متوازن‌سازی داده‌ها و معماری سبک DEMNET می‌تواند به‌ عنوان رویکردی کارآمد برای تشخیص خودکار آلزایمر در تصاویر MRI استفاده شود و پتانسیل کاربرد در سامانه‌های تصمیم‌یار بالینی را داشته باشد.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">افزایش داده</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">بیش‌نمونه‌گیری اقلیت مصنوعی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">بیماری آلزایمر</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">تشخیص زودهنگام</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">تصویربرداری رزونانس مغناطیسی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">شبکۀ عصبی کانولوشنی</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://isee.ui.ac.ir/article_30787_e372b1a32c014af2f5f6c01fbfbda8ef.pdf</ArchiveCopySource>
</Article>
</ArticleSet>
