23257

تشخيص بيماري آلزايمر با استفاده از تصاوير fMRI

كارشناسي ارشد

مهندسي پزشكي - بيوالكتريك

1399/8/25

دكتر احمد آيت الهي

برق

تصويربرداري تشديد مغناطيسي كاركردي (fMRI) نوع خاصي از تصويربرداري تشديد مغناطيسي است كه فعاليت‌هاي مغز را به كمك تغييرات جريان خون مي‌سنجد. به بيان دقيق‌تر فعاليت مغزي به وسيله سيگنال BOLD با فركانس پايين اندازه‌گيري مي‌شود. ارائه يك روش تشخيص بيماري آلزايمر با استفاده از اين تصاوير هدف اصلي اين پايان نامه است. اين روش شامل چهار مرحله، كاهش ابعاد مجموعه داده‌اي، وزندهي اوليه وزن‌هاي شبكه عصبي، بيهنه كردن وزن‌ها با الگوريتم ژنتيك و طبقه بندي با استفاده از شبكه عصبي است. يكي از مزاياي اصلي اين روش، استفاده از الگوريتم تكاملي ژنتيك در فرآيند وزن دهي اوليه وزن‌هاي شبكه عصبي است كه سبب مي‌شود شانس رسيدن به همگرايي سريع‌تر شبكه عصبي بالاتر برود. همچنين به علت استفاده از مرحله كاهش بعد و انتخاب ويژگي، پيچيدگي محاسباتي شبكه عصبي تا اندازه زيادي كاهش پيدا مي‌كند و امكان پيش پردازش شبكه عصبي كاهش مي¬يابد. بر اين اساس، در اين پايان‌نامه سيستمي براي شناسايي ضايعات آلزايمر در تصاوير fMRI پيشنهاد شده است. در ابتدا پس از وزن‌دهي اوليه شبكه‌ عصبي با استفاده از الگوريتم ژنتيك، به‌منظور افزايش سرعت و دقت پردازش، در مرحله پيش‌پردازش با حذف نويز و افزايش كيفيت تصويرانجام داده سپس مرحله قطعه‌بندي تصاوير fMRI مغز را توسط روش رشد ناحيه قطعه¬بندي شده و ضايعات آلزايمر جداسازي شده است. در مراحل بعد، با استخراج ويژگي¬هاي تصاوير به كمك روش ANN ضايعات جداشده براي طبقه‌بندي نواحي مشكوك به ضايعات آلزايمر به سه كلاس سالم، ضايعات با شدت زياد آلزايمر (بدخيم) و ضايعات با شدت كم آلزايمر (خوش خيم قابل كنترل) طبقه‌بندي‌شده است. الگوريتم پيشنهادي براي شناسايي و قطعه‌بندي ضايعات آلزايمر بر روي تصاوير fMRI از پايگاه داده MICCAI، اعمال‌شده‌ است. نتيجه الگوريتم نهايي طبقه‌بندي نشان مي‌دهد كه بهبود قابل‌ توجهي در نتايج روش ارائه‌شده وجود دارد. در واقع براي ارزيابي 200 تصوير با روش پيشنهادي مورد بررسي قرار گرفت و با توجه به سه معيار دقت، حساسيت و ويژگي اين روش با روش شبكه عصبي مقايسه گرديد.

1399/12/18

Diagnosis of Alzheimer's disease using fMRI images

11/15/2020 12:00:00 AM

Functional Magnetic Resonance Imaging (fMRI) is a special type of magnetic resonance imaging that measures brain activity through changes in blood flow. More precisely, brain activity is measured by a low-frequency BOLD signal. The main goal of this dissertation is to provide a method of diagnosing Alzheimer's disease using these images. This method consists of four steps: reducing the size of the data set, initial weight of neural network weights, and classification using neural network. One of the main advantages of this method is the use of genetic evolution algorithm in the process of initial weighting of neural network weights, which increases the chances of achieving faster neural network convergence. Also, due to the use of dimension reduction step and feature selection, the computational complexity of the neural network is greatly reduced and the possibility of neural network preprocessing is reduced. Accordingly, this thesis proposes a system for identifying Alzheimer's lesions in fMRI images. First, after initial weighting of the neural network using genetic algorithm, in order to increase the processing speed and accuracy; in the preprocessing stage, it performed noise removal and increased the image quality. Is. In the next steps, by extracting the image features using ANN method, the isolated lesions for classifying suspected Alzheimer's lesions were classified into three classes: healthy, high-grade Alzheimer's lesions (malignant) and low-grade Alzheimer's lesions (controllable benign). The proposed algorithm for identifying and segmenting Alzheimer's lesions is applied to fMRI images from the MICCAI database. The result of the final classification algorithm shows that there is a significant improvement in the results of the proposed method.