Abstrak
Penyakit Alzheimer merupakan salah satu bentuk demensia yang paling umum dan jumlah penderitanya terus meningkat seiring bertambahnya usia populasi. Salah satu tantangan utama dalam diagnosis dini Alzheimer adalah kesulitan dalam menginterpretasikan citra Magnetic Resonance Imaging (MRI) secara akurat. Penelitian ini bertujuan untuk mengembangkan metode deteksi Alzheimer berbasis citra MRI menggunakan pendekatan deep learning dengan arsitektur Perceiver. Dataset yang digunakan terdiri dari 6.400 citra MRI yang telah diklasifikasikan ke dalam dua kelas utama: Demented dan Non-Demented. Berbagai skema arsitektur Perceiver diuji untuk mengidentifikasi konfigurasi optimal. Hasil penelitian menunjukkan bahwa model Perceiver mampu mencapai akurasi tinggi sebesar 87% dan menunjukkan keseimbangan yang baik antara presisi dan recall . Temuan ini menunjukkan bahwa arsitektur Perceiver memiliki potensi kuat sebagai alat bantu diagnosis dini Alzheimer berbasis citra medis.
Abstract
Alzheimer's disease is the most common form of dementia, and its prevalence continues to rise with the aging population. One major challenge in early diagnosis is the difficulty in accurately and consistently interpreting Magnetic Resonance Imaging (MRI) scans. This study aims to develop an Alzheimer detection method based on MRI images using deep learning, particularly the Perceiver architecture. The dataset consists of 6,400 MRI images, classified into two main categories: Demented and Non-Demented classes were used to evaluate various architectural schemes of the Perceiver model to identify the optimal configuration. The results demonstrate that the Perceiver model achieved a high accuracy of 87% and maintained a good balance between precision and recall. These findings indicate that the Perceiver architecture holds strong potential as a supportive tool for early diagnosis of Alzheimer's disease based on medical imaging.