Detection of Alzheimer's Disease Using Image Processing and Deep Learning Methods: A Review

Öz

Alzheimer's disease (AD) is one of the most prevalent neurodegenerative diseases today, and early diagnosis directly affects the course of the disease. The aim of this study is to comparatively evaluate the national and international literature on the detection of AD using image processing and deep learning methods within a single framework. Following the PRISMA flow logic, a total of 28 original articles published between 2018 and 2025 were reviewed: 16 from TRDizin and 12 from international databases (PubMed, Scopus, Web of Science). Of the reviewed studies, 23 are based on magnetic resonance (MR) images and 5 on electroencephalography (EEG) signals. For each study, the dataset, sample size, architecture or algorithm, preprocessing steps and reported accuracy were extracted. The findings show that convolutional neural network (CNN) based methods and transfer learning are the dominant approaches on MR images, while the Kaggle 4-class dataset and ADNI are the most frequently preferred data sources. Architectures such as AlexNet, VGG-16, ResNet, DenseNet, MobileNetV2 and ConvNext yielded accuracies between 88% and 100%. On EEG signals, the highest reported accuracy was 96.59% using support vector machine (SVM) and k-nearest neighbour (kNN) methods. Studies conducted in Türkiye are competitive with the international literature in terms of accuracy; however, 11 of the 16 Turkish studies reviewed used the same open-access dataset and none reported clinical validation. Therefore, dataset diversity, external validity and clinical validation stand out as the primary shortcomings of the field.

Anahtar Kelimeler

• Alzheimer's disease
• image processing
• deep learning
• convolutional neural networks
• magnetic resonance imaging

Alzheimer Hastalığının Görüntü İşleme ve Derin Öğrenme Yöntemleriyle Tespiti: Bir Derleme Çalışması

Öz

Alzheimer hastalığı (AH), günümüzde en sık karşılaşılan nörodejeneratif hastalıklardan biri olup erken tanı konulması hastalık seyrini doğrudan etkilemektedir. Bu çalışmanın amacı, AH'nin görüntü işleme ve derin öğrenme yöntemleriyle tespitine yönelik ulusal ve uluslararası literatürü aynı çerçevede karşılaştırmalı olarak değerlendirmektir. PRISMA akış mantığına uygun olarak yürütülen tarama sonucunda TRDizin'den 16, uluslararası veri tabanlarından (PubMed, Scopus, Web of Science) 12 olmak üzere 2018-2025 yılları arasında yayımlanmış toplam 28 özgün makale incelenmiştir. İncelenen çalışmaların 23'ü manyetik rezonans (MR) görüntüsü, 5'i elektroensefalografi (EEG) sinyali tabanlıdır. Her çalışmadan veri seti, veri büyüklüğü, kullanılan mimari veya algoritma, ön işleme adımları ve doğruluk oranı çıkarılmıştır. Bulgular, MR görüntüleri üzerinde evrişimli sinir ağı (ESA) tabanlı yöntemlerin ve aktarım öğrenmenin baskın yaklaşım olduğunu göstermektedir; Kaggle 4-sınıf veri seti ve ADNI en çok tercih edilen veri kaynaklarıdır. AlexNet, VGG-16, ResNet, DenseNet, MobileNetV2 ve ConvNext gibi mimarilerle %88 ile %100 arasında doğruluk elde edilmiştir. EEG sinyalleri üzerinde destek vektör makinesi (DVM) ve k-en yakın komşu (kEYK) yöntemleriyle en yüksek doğruluk %96,59 olarak raporlanmıştır. Türkiye'deki çalışmalar doğruluk açısından uluslararası literatürle rekabet edebilir düzeydedir; ancak incelenen 16 Türk çalışmasının 11'i aynı açık erişimli veri setini kullanmış ve hiçbirinde klinik doğrulama raporlanmamıştır. Bu nedenle veri seti çeşitliliği, dış geçerlilik ve klinik doğrulama alanın öncelikli eksiklikleri olarak öne çıkmaktadır.

Anahtar Kelimeler

• Alzheimer hastalığı
• görüntü işleme
• derin öğrenme
• evrişimli sinir ağları
• manyetik rezonans görüntüleme

Kaynakça

1. Acharya UR, Fernandes SL, WeiKoh JE, Ciaccio EJ, Fabell MKM, Tanik UJ, Yeong CH (2019) Automated detection of Alzheimer's disease using brain MRI images, Journal of Medical Systems.
2. Al-Shoukry S, Rassem TH, Makbol NM (2024) Classification of Alzheimer's disease using MRI data based on deep learning methods, Journal of Imaging.
3. Altunbey Özbay F, Özbay E (2023) An NCA-based hybrid CNN model for classification of Alzheimer's disease on Grad-CAM-enhanced brain MRI images, Turkish Journal of Science and Technology 18(1): 139-155.
4. Amoroso N, Bellotti R, Diacono D, La Rocca M, Tangaro S (2024) Transfer learning with ResNet50 for MRI-based Alzheimer's disease diagnosis, Diagnostics.
5. Atacak İ, Erçelebi E (2022) Alzheimer hastalığının tespitinde makine öğrenmesi algoritmalarının karşılaştırılması, Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi.
6. Battineni G, Chintalapudi N, Amenta F (2024) Machine learning driven by magnetic resonance imaging for the classification of Alzheimer disease progression: systematic review and meta-analysis, JMIR Aging 7: e59370.
7. Budak I, Bal S, Korkmaz H (2025) PCB üretiminde çok sınıflı kusur tespiti için YOLO tabanlı derin öğrenme modeli, Politeknik Dergisi.
8. Chetoui M, Akhloufi MA (2023) Efficient Alzheimer's disease classification using transfer learning with EfficientNetV2S, Applied Sciences.

9. Ebrahimi A, Luo S, Chiong R (2021) Deep sequence modelling for Alzheimer's disease detection using MRI, Computers in Biology and Medicine 134: 104537.
10. El-Assy AM, Amer HM, Ibrahim HM, Mohamed MA (2024) A novel CNN architecture for accurate early detection and classification of Alzheimer's disease using MRI data, Scientific Reports 14(1): 3463.
11. Elmannai H, Loghmari MA (2022) Support vector machine for remote sensing image classification, Academic Journal of Nawroz University.
12. Erbaş U, Bekiryazıcı T, Aydemir G, Tabakcıoğlu MB (2025) Coverage area estimation using a multi-branch 1D convolutional neural network, Bilgisayar Bilimleri Dergisi.
13. Erdoğmuş P, Kabakuş AT (2025) Early diagnosis of Alzheimer's disease using hybrid CNN-transformer models with Grad-CAM interpretability, Gümüşhane Üniversitesi Fen Bilimleri Dergisi 15(3).
14. Farooq A, Anwar S, Awais M, Rehman S (2017) A deep CNN based multi-class classification of Alzheimer's disease using MRI. IEEE International Conference on Imaging Systems and Techniques (IST), Beijing, 1-6.
15. Fırat H, Üzen H (2024) MR görüntülerinden Alzheimer hastalığının sınıflandırılması için Inception ve sıkma-uyarma ağı tabanlı derin öğrenme modeli, Çukurova Üniversitesi Mühendislik Dergisi 39(2).
16. Güzel F, Temurçin K, Sarp G (2025) ResNet-34 derin öğrenme algoritması ile deprem sonrası yıkılan yapıların tespiti, Doğal Afetler ve Çevre Dergisi.
17. Hanbay E, Arı A (2023) Özel blok yapıları kullanarak tasarlanan derin öğrenme mimarileri ile Alzheimer hastalık tespiti, Fırat Üniversitesi Mühendislik Bilimleri Dergisi 35(2): 745-752.
18. Helaly HA, Badawy M, Haikal AY (2022) Deep learning approach for early detection of Alzheimer's disease, Cognitive Computation 14(5): 1711-1727.
19. Ieracitano C, Mammone N, Hussain A, Morabito FC (2020) A novel multi-modal machine learning based approach for automatic classification of EEG recordings in dementia, Neural Networks 123: 176-190.
20. Islam J, Zhang Y (2018) Brain MRI analysis for Alzheimer's disease diagnosis using an ensemble system of deep convolutional neural networks, Brain Informatics 5(2): 2.
21. Jo T, Nho K, Saykin AJ (2019) Deep learning in Alzheimer's disease: diagnostic classification and prognostic prediction using neuroimaging data, Frontiers in Aging Neuroscience 11: 220.
22. Karabay GS, Çavaş M (2022) Derin öğrenme yöntemiyle Alzheimer hastalığının tespiti, Fırat Üniversitesi Mühendislik Bilimleri Dergisi 34(2): 879-887.
23. Kaynak T, Özkan C (2025) Çok yüksek çözünürlüklü hava fotoğrafları ile nesne tabanlı LULC haritalaması: DVM ve bulanık mantık karşılaştırması, Geomatik.
24. Kim SK, Kim H, Kim SH, Kim JB, Kim L (2024) Electroencephalography-based classification of Alzheimer's disease spectrum with machine learning, Scientific Reports 14.
25. Liu M, Li F, Yan H, Wang K, Ma Y, Shen L, Xu M (2020) A multi-model deep convolutional neural network for automatic hippocampus segmentation and classification in Alzheimer's disease, IEEE Transactions on Medical Imaging 39(9): 2814-2825.
26. Murugan S, Venkatesan C, Sumithra MG, Gao XZ, Elakkiya B, Akila M, Manoharan S (2021) DEMNET: a deep learning model for early diagnosis of Alzheimer diseases and dementia from MR images, IEEE Access 9: 90319-90329.
27. Nanni L, Brahnam S, Salvatore C, Castiglioni I (2019) Texture descriptors and voxels for the early diagnosis of Alzheimer's disease, Artificial Intelligence in Medicine 97: 19-26.
28. Nanni L, Ghidoni S, Brahnam S (2020) Ensemble of convolutional neural networks for bioimage classification, Biomedical Signal Processing and Control 57: 101745.
29. Naushad R, Kaur T, Ghaderpour E (2021) Deep transfer learning for land use and land cover classification, Engineering, Technology & Applied Science Research.
30. Polat H (2023) Senkrosıkıştırma dönüşümü ve derin transfer öğrenimi ile Alzheimer hastalığının EEG tabanlı otomatik tespiti, Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 14(2).
31. Raza N, Naseer A, Tamoor M, Zafar K (2023) Alzheimer disease classification through transfer learning approach, Diagnostics 13(4): 801.
32. Saraçoğlu AS, Acılar AMV, Erdaş Çiçek Ö (2025) ADNet: a CNN model for Alzheimer's disease diagnosis on OASIS-1 dataset, Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi 28(1).
33. Sertkaya ME, Durmuş M, Ergen B (2024) Derin öğrenme yöntemleri kullanılarak gradyan tabanlı MR görüntülerinde erken safha Alzheimer hastalığının tespiti, Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi 13(3).
34. Sertkaya ME, Ergen B (2024) Alzheimer hastalığının teşhisinde görüntü dönüştürücü (vision transformer) yaklaşımı: yenilikçi bir inceleme, Fırat Üniversitesi Mühendislik Bilimleri Dergisi 36(2): 609-619.
35. Sevde S, Badem H, Balsak SC (2025) Transfer öğrenme temelli bitki yaprak hastalıklarının tespiti için karşılaştırmalı bir çalışma, Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi.
36. Tohid M, Ansari S, Khan Z (2023) Early Alzheimer's disease diagnosis using an XGBoost model applied to MRI images, Biomedical Research and Applications Technology.
37. Wang T, Trugman D, Lin Y (2023) Classification of earthquakes, explosions and mining-induced seismic events using machine learning, Seismological Research Letters.
38. Wen J, Thibeau-Sutre E, Diaz-Melo M, Samper-González J, Routier A, Bottani S, Dormont D, Durrleman S, Burgos N, Colliot O (2020) Convolutional neural networks for classification of Alzheimer's disease: overview and reproducible evaluation, Medical Image Analysis 63: 101694.
39. Yosinski J, Clune J, Bengio Y, Lipson H (2014) How transferable are features in deep neural networks?. Advances in Neural Information Processing Systems (NIPS), Montreal, 3320-3328.
40. Yüzgeç Özdemir E, Talo M (2023) Alzheimer ve Parkinson hastalıklarının derin öğrenme teknikleri kullanılarak sınıflandırılması, Fırat Üniversitesi Mühendislik Bilimleri Dergisi 35(2): 473-483.
41. Çelebi SB, Emiroğlu BG (2023) Alzheimer teşhisi için derin öğrenme tabanlı morfometrik analiz, Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi 13(3): 1454-1467.
42. Çetiner H (2023) Citrus disease classification with transfer learning and CNN based models, Kırşehir Ahi Evran Üniversitesi Fen Bilimleri Dergisi.
43. Ökten I, Yüzgeç U (2022) Evrişimli sinir ağı ile çeltik bitkisi hastalığının tespiti, Bitlis Eren Üniversitesi Fen Bilimleri Dergisi 11(2).
44. Örenç S, Acar E, Özerdem MS (2025) Comparative analysis of CNN-based deep learning architectures for automatic plant disease detection, Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi.
45. Öter E, Doğan Y (2024) A comparative study on data balancing methods for Alzheimer's disease classification, Çukurova Üniversitesi Mühendislik Dergisi 39(2).
46. Özaltın Ö, Çobanbaş S, Sırakaya Y, Güneş Y (2025) Alzheimer hastalığının manyetik rezonans görüntülerden hibrit derin öğrenme yaklaşımı ile otomatik tespiti, Fırat Üniversitesi Mühendislik Bilimleri Dergisi 37(1).
47. Ünlüleblebici S, Taşyürek M, Öztürk C (2023) MR görüntülerinde evrişimli sinir ağları kullanılarak Alzheimer hastalık tespiti, Fırat Üniversitesi Mühendislik Bilimleri Dergisi 35(2): 631-640.
48. Şenkaya Y, Kurnaz Ç (2024) Makine öğrenme yöntemleri ile EEG sinyallerinden Alzheimer hastalığı tanısı, Karadeniz Fen Bilimleri Dergisi 14(1): 114-130.