Η νόσος του Alzheimer (AD) είναι μια προοδευτική νευροεκφυλιστική διαταραχή που επηρεάζει κυρίως ηλικιωμένους και αποτελεί την πιο συχνή αιτία άνοιας, καλύπτοντας το 60-70% των περιπτώσεων. Ανακαλύφθηκε από τον Alois Alzheimer το 1907. Τα χαρακτηριστικά της περιλαμβάνουν νευριτικές πλάκες και νευροϊνιδιακά πλέγματα από το πεπτίδιο αμυλοειδούς-βήτα (Aβ) και την πρωτεΐνη ταυ, αντίστοιχα. Η παθογένεση της AD είναι σύνθετη και οι περιοχές του εγκεφάλου που πλήττονται περισσότερο περιλαμβάνουν τον ιππόκαμπο και τον νεοφλοιό, με την ασθένεια να εξελίσσεται από την ήπια γνωστική εξασθένηση (MCI) μέχρι την σοβαρή άνοια. Οι ερευνητικές προσπάθειες επικεντρώνονται στην ανάπτυξη θεραπειών που στοχεύουν τη συσσώρευση αμυλοειδούς και ταυ, τη νευροφλεγμονή και το οξειδωτικό στρες, Η AD επηρεάζει περίπου 50 εκατομμύρια άτομα παγκοσμίως και είναι πιο διαδεδομένη σε χώρες υψηλού εισοδήματος, με τις Ηνωμένες Πολιτείες και την Ευρώπη να αναμένουν αύξηση των περιπτώσεων. Η θνησιμότητα λόγω AD έχει αυξηθεί δραματικά τις τελευταίες δεκαετίες, υπογραμμίζοντας την ανάγκη για αποτελεσματικές παρεμβάσεις. Mία μέθοδος διάγνωσης αποτελεί η μαγνητική τομογραφία εγκεφάλου (fMRI) με σκοπό την αναγνώριση της νόσου αλλά και το στάδιο στο οποίο βρίσκεται. Στον τομέα της διάγνωσης το αρμόδιο ιατρικό προσωπικό θα μπορούσε συνεπικουρικά να χρησιμοποιήσει λογισμικό διάγνωσης με σκοπό την αυτόματη και γρήγορη αναγώριση της νόσου με σκοπό της ελάττωση του περιθωρίου ανθρώπινου λάθους. H χρήση της Τεχνητής Νοημοσύνης (ΤΝ) μέσω δικτύων Βαθιάς Μάθησης (ΒΘ) και συγκεκριμένα Συνελικτικών Νευρωνικών Δικτύων (Convolutional Neural Networks, CNN)  με σκοπό την ανάλυση εικόνων νευροαπεικονιστικών μεθόδων, έχει αποδειχθεί πως δίνει καλά αποτέλεσματα στη διάγνωση εφόσoν το μοντέλο ΒΘ εκπαιδευτεί στο κατάλληλο σύνολο δεδομένων. Η ύπαρξη ικανοποιητικού όγκου δεδομένων αλλά και η κατάλληλη  μορφή στην οποία πρέπει να βρίσκονται είναι πάρα πολύ σημαντική καθώς διαφοροποιήσεις είναι δυνατό να επηράσουν αρνητικά την εκπαίδευση τους μοντέλου και κατά συνέπεια τις αναγνωριστικές του δυνατότητες. Σκοπός της εκπαίδευσης του μοντέλου είναι η εξαγωγή κοινών χαρακτηριστικών που θα βοηθήσουν στην αναγνώρηση της νόσου. Στην παρούσα εργασία θα γίνει μια προσπάθεια δημιουργίας ενός τέτοιου δικτύου και εκπαίδευσης του με δεδομένα αρχείων εικόνων από πάσχοντες από τη νόσο αλλά και από υγιή άτομα. Σε προηγούμενο στάδιο θα γίνει μια ανάλυση των βασικών μονάδων και  λειτουργιών του Κεντρικού Νευρικού Συστήματος (ΚΝΣ) με έμφαση στις διαδικάσιες μνήμης και μάθησης που σχετίζονται άμεσα με τη νόσο Alzheimer καθώς επηρεάζονται από την εξέλιξή της. Τέλος θα αναφερθούμε στο μέλλον της ΤΝ στον τομέα της διάγνωσης ασθενειών και συγκεκριμένα μέσω της χρήσης νευροαπεικονιστικών μεθόδων που είναι και το αντικείμενο που μελετάται σε αυτή την εργασία.

Alzheimer's Disease (AD) is a progressive neurodegenerative disorder that primarily affects the elderly and is the most common cause of dementia, accounting for 60-70% of cases. It was discovered by Alois Alzheimer in 1907. Its characteristics include neuritic plaques and neurofibrillary tangles composed of the amyloid-beta (Aβ) peptide and the tau protein, respectively. The pathogenesis of AD is complex, and the brain areas most affected include the hippocampus and the neocortex, with the disease progressing from mild cognitive impairment (MCI) to severe dementia. Research efforts focus on developing therapies targeting amyloid and tau accumulation, neuroinflammation, and oxidative stress. AD affects approximately 50 million people worldwide and is more prevalent in high-income countries, with the United States and Europe expecting an increase in cases. Mortality due to AD has dramatically increased in recent decades, highlighting the need for effective interventions. One diagnostic method is brain magnetic resonance imaging (fMRI) to identify the disease and its stage. In diagnostics, medical personnel could additionally use diagnostic software for automatic and rapid disease recognition to reduce the margin of human error. The use of Artificial Intelligence (AI) through Deep Learning (DL) networks, specifically Convolutional Neural Networks (CNN), for analyzing neuroimaging methods has shown promising results in diagnosis, provided the DL model is trained on an appropriate dataset. The presence of a satisfactory volume of data and the proper format are crucial, as variations can negatively impact the model's training and recognition capabilities. The goal of training the model is to extract common features that will aid in disease recognition. In this work, an attempt will be made to create and train such a network with image data files from individuals with the disease and healthy individuals. Initially, an analysis of the basic units and functions of the Central Nervous System (CNS), emphasizing memory and learning processes directly related to Alzheimer's disease, will be conducted, as they are affected by its progression. Finally, we will discuss the future of AI in disease diagnosis, specifically through the use of neuroimaging methods, which is the subject of this study.