تمت في قسم هندسة الطب الحياتي مناقشة طالبة الماجستير نجلاء سهيل مزهر، وذلك يوم الاحد الموافق 24 اب 2025، حول أطروحتها الموسومة:

A Multimodal Deep Learning Based Scheme For Diagnosis

تألّفت لجنة المناقشة من:

رئيس اللجنة: حضرة الأستاذ الدكتور نبيل كاظم عبد الصاحب المحترم 

عضوًا: الأستاذ الدكتور علي حسين مري المحترم 

عضوًا: المدرس الدكتور ايمان غضبان خليل المحترمة

وكانت الأطروحة بإشراف: الأستاذ المساعد الدكتور أحمد فائق حسين – كلية الهندسة / جامعة النهرين

والأستاذ المساعد الدكتور سفيان منذر صالح -كلية اقتصاديات الاعمال- جامعه النهرين 

وقد قُيّمت الأطروحة علميًا من قبل: المقوم العلمي الأول: الأستاذ المساعد الدكتور محمد سعدون حثيل– جامعة بغداد/  كلية الهندسة. المقوم العلمي الثاني: الأستاذ المساعد الدكتور اسراء بدر ناصر– كلية الهندسة / جامعة النهرين.

كما قُوّمت لغويًا من قبل: المدرس الدكتور نور علي صادق. 

تهدف هذه الدراسة إلى تطوير إطار متعدد النماذج يعتمد على تقنيات التعلم العميق (DL) لزيادة دقة تشخيص مرض الزهايمر من خلال الدمج متعدد الوسائط بين صور التصوير بالرنين المغناطيسي (MRI) وإشارات تخطيط الدماغ الكهربائي (EEG)بهدف معالجة القيود المرتبطة بالنماذج أحادية المصدر، وتحسين الدقة والموثوقية، وتوفير فهم أشمل لمرض الزهايمر 

يعتمد النظام المقترح على تصميم ثلاثة نماذج رئيسية:

1. نموذج MRI يعتمد على VGG16لاستخراج الخصائص العميقة من صور الدماغ.

2. نموذج EEG يعتمد على شبكات CNN لمعالجة الإشارات واستخراج الميزات المتعلقه بالدماغ

3. نموذج الدمج (Fusion) الذي يوظف تقنية الدمج على مستوى الخصائص (Feature-Level Fusion) من خلال دمج المتجهات المستخرجة من كلا النمطين في طبقة واحدة، ليتم تمريرها بعد ذلك إلى شبكة تصنيف كاملة الاتصال (Fully Connected) لتشخيص مرض الزهايمر.

أظهرت النتائج أن:

• نظام التصنيف القائم على صور MRI حقق دقة بلغت 69%

• نموذج EEG حقق دقة عالية بلغت 94%

• إطار الدمج المقترح (Fusion) حقق أفضل أداء ببلوغ الدقة 95%، متفوقًا بشكل واضح على النماذج الأحادية، مما يعزز الموثوقية والدقة في تشخيص مرض الزهايمر.

وقد قُبلت الأطروحة لاستيفائها متطلبات نيل شهادة الماجستير في هندسة الطب الحياتي.

In the Department of Biomedical Engineering, the master’s student Najla Suhail Muzhir defended her thesis on Sunday, August 24, 2025, entitled:

“A Multimodal Deep Learning Based Scheme for Diagnosis”

The examining committee consisted of:

• Chairman: Prof. Dr. Nabeel Kazem Abd Al-Sahib

• Member: Prof. Dr. Ali Hussein Miri

• Member: Asst. Prof. Dr. Iman Ghadhban Khalil

The thesis was supervised by:

• Asst. Prof. Dr. Ahmed Faiq Hussein – College of Engineering / Al-Nahrain University

• Asst. Prof. Dr. Sufian Munther Saleh – College of Business Economics / Al-Nahrain University

The thesis was scientifically evaluated by:

• Scientific Evaluator 1: Asst. Prof. Dr. Mohammed Saadoun Hatheel – College of Engineering / University of Baghdad

• Scientific Evaluator 2: Asst. Prof. Dr. Israa Badr Nasser – College of Engineering / Al-Nahrain University

The thesis was linguistically evaluated by:

• Lecturer Dr. Noor Ali Sadiq

Thesis Summary

This study aims to develop a multimodal framework based on deep learning (DL) techniques to improve the accuracy of Alzheimer’s disease diagnosis through multimodal integration of Magnetic Resonance Imaging (MRI) and Electroencephalography (EEG) signals. The goal is to address the limitations of single-source models, enhance accuracy and reliability, and provide a more comprehensive understanding of Alzheimer’s disease.

The proposed system is based on three main models:

1. MRI Model: Based on VGG16 for extracting deep features from brain images.

2. EEG Model: Based on Convolutional Neural Networks (CNNs) for processing signals and extracting brain-related features.

3. Fusion Model: Employs feature-level fusion by combining the extracted feature vectors from both modalities into a single layer, which is then passed to a fully connected classification network for Alzheimer’s diagnosis.

Results

• The MRI-based classification system achieved an accuracy of 69%.

• The EEG model achieved a higher accuracy of 94%.

• The proposed fusion framework achieved the best performance with an accuracy of 95%, significantly outperforming single-modality models, thereby enhancing reliability and precision in Alzheimer’s disease diagnosis.

The thesis was accepted as it fulfilled the requirements for obtaining a Master’s degree in Biomedical Engineering.