Classification of Alzheimer’s Disease from Structural MRI using Deep Learning Algorithms

Abstract

Alzheimer's disease (AD) is one of the most prevalent neurodegenerative disorders, posing a major challenge for early diagnosis due to its clinical overlap with normal aging. This study aims to develop a deep learning-based classification model capable of distinguishing between three cognitive states Cognitively Normal (CN), Mild Cognitive Impairment (MCI), and Alzheimer’s Disease (AD) using only 2D structural MRI (sMRI) slices. A subset of the ADNI database was used, and preprocessing was carried out by multiplying preprocessed brain images (MPR; GradWarp; N3 Processed) with their corresponding masks to extract skull-stripped slices. Entropy-based selection was then applied to extract the most informative axial, coronal, and sagittal slices. The study constructed both binary and multiclass datasets and evaluated four convolutional neural network (CNN) architectures: VGG16, ResNet50, MobileNetV3, and EfficientNetB0. Experimental results showed that EfficientNetB0 consistently outperformed the other models, achieving a top accuracy of 87.50% in the AD–CN binary task using the coronal view. It also demonstrated robust performance across other binary and multiclass tasks. Conversely, VGG16 showed the lowest classification performance across all views. These findings confirm the effectiveness of modern, lightweight CNNs in classifying 2D brain slices and highlight the feasibility of single-model solutions without complex ensemble strategies. The results directly support the three core research objectives: model development, architecture evaluation, and generalization across anatomical planes

يُعد مرض الزهايمر من أكثر الاضطرابات التنكسية العصبية شيوعًا، ويشكل تحديًا كبيرًا في التشخيص المبكر نظرًا لتداخله مع مظاهر التقدم في العمر. تهدف هذه الدراسة إلى تطوير نموذج تصنيف يعتمد على تقنيات التعلم العميق لتحديد المراحل المعرفية الثلاث: الحالة الطبيعية(CN),الضعف الادراكي البسيط(MCI),مرض الزهايمر(AD) باستخدام صور الرنين المغناطيسي الهيكلي(sMRI) ثنائية الابعاد فقط. تم استخدام قاعدة بيانات ,ADNIوتم تنفيذ المعالجة المسبقة عبر تطبيق عملية الضرب بين صورالدماغ المعالجة (N3) و الاقنعة (mask) المرافقة لها للحصول على صور خالية من الانسجة غير الدماغية. كما تم اختيار المقاطع المحورية ,الاكليلية ,السهمية الاكثر تعبيرا بناءا على معيار الانتروبيا. تم بناء مجموعات بيانات ثنائية ومتعددة التصنيف ودربت اربعة نماذج من الشبكات العصبية التلافيفية EfficientNetB0:(CNN) ،MobileNetV3 ،ResNet50, VGG16 ظهرت النتائج أن نموذج EfficientNetB0 تفوق بشكل ملحوظ على بقية النماذج، حيث حقق دقة بلغت % 87.50 في مهمة التمييز بين CN وAD باستخدام العرض الإكليلي، كما أظهر أداءً متميزًا في المهام الثنائية الأخرى وكذلك في التصنيف المتعدد. بالمقابل، كانت نتائج VGG16هي الأضعف عبر جميع الاختبارات. تبرز هذه النتائج كفاءة النماذج العميقة الحديثة في التعامل مع صور الدماغ ثنائية الأبعاد وتدعم جدوى استخدام نماذج فردية بسيطة دون الحاجة إلى نماذج تجميعية معقدة، مما يعزز القابلية للتطبيق السريري ويحقق أهداف الدراسة الثلاثة: التطوير، التقييم، والتحليل عبر المستويات التشريحية المختلفة