27202

پيش بيني بيماري آلزايمر با تشخيص زودهنگام بيماري اختلال شناختي با استفاده از شبكه گراف و شبكه عصبي

كارشناسي ارشد

مهندسي برق- سيستم‌هاي الكترونيك ديجيتال

1397

1401/6/29

علي صدر

مهندسي برق

ابتلا به بيماري اختلال شناختي خفيف به آلزايمر، روندي چند ساله است كه تاثير قابل توجهي در امور روزمره فرد بيمار از خود نشان نمي‌دهد، در صورتي كه بتوان فرد مبتلا را به موقع در اين مرحله تشخيص داد، امكان درمان يا به تعويق انداختن ابتلا به آلزايمر وجود خواهد داشت. يكي از رايج‌ترين ابزارهاي تصويربرداري مغز، روش تصويربرداري رزونانس مغناطيسي عملكردي (fMRI) است كه با تشخيص تغييرات مرتبط با جريان خون در مغز، فعاليت آن را اندازه‌گيري مي‌كند. با استفاده از اين روش مي‌توان ارتباط عملكردي ناحيه‌هاي مختلف مغز را به دست آورد و براي آن شبكه گراف مغز را ترسيم نمود. قبل از تحليل تصاوير fMRI بايد پيش‌پردازش‌هايي روي اين تصاوير انجام گيرد، زيرا به علت مشكلات متعدد در طول اسكن از جمله حركت سر تصاوير fMRI نويزهاي زيادي دارند كه منجر به وجود آمدن ارتباط‌هاي اشتباه در شبكه مغز مي‌شوند. يكي از مراحل پيش‌پردازش، هموارسازي مكاني است كه به طور معمول اين روش با كرنل گوسي سه بعدي انجام مي‌شود. مقدار هموارسازي فضايي اعمال شده معمولاً با پهنا در نصف مقدار بيشينه (FWHM) توزيع گاوسي تعريف مي‌شود كه در اين تحقيق به ازاي سه مقدار متفاوت 2، 6 و 12 ميلي‌متر سطح هموارسازي، پيش‌پردازش‌ها انجام شده است تا تاثير اين مرحله از پيش‌پردازش بر روي داده‌ها بررسي شود. روش‌هاي يادگيري ماشين به محققان كمك مي‌كند تا با استفاده از داده‌هاي تصويربرداري مراحل مختلف بيماري‌ها طبقه‌بندي و پيش‌بيني شوند. در زمينه بيماري آلزايمر نيز مي‌توان پيشروي اين بيماري را با استفاده از مدل‌هاي يادگيري ماشين از مرحله اختلال شناختي شناسايي نمود و در نتيجه افراد سالم و افراد با اختلال شناختي و آلزايمري را طبقه بندي كرد. در اين تحقيق از سه مدل يادگيري ماشين شامل ماشين بردار پشتيبان ، جنگل تصادفي و XGBoost براي طبقه‌بندي سه گروه استفاده شده است. بهترين دقت براي XGBoost به ازاي مقدار FWHM برابر 6 ميلي‌متر به دست آمده است كه برابر 93.3% است. پژوهش حاضر نشان مي‌دهد كه مقدار هموارسازي تاثير بسيار زيادي در ارتباطات مغزي و نتيجه‌ي طبقه‌بندي دارد.

1401/08/04

Prediction of Alzheimer's disease with early diagnosis of cognitive impairment using graph network and neural network

9/20/2023 12:00:00 AM

The process of developing mild cognitive impairment into Alzheimer's is a multi-year process and does not affect a person's daily activities. If people who are in this stage can be diagnosed in time, it will be possible to treat or delay Alzheimer's disease. One of the most common brain imaging tools is functional magnetic resonance imaging (fMRI), which measures brain activity by detecting changes in blood flow. Using this method, it is possible to obtain the functional connection of different areas of the brain and obtain a graph network for the brain. Before fMRI images are analyzed, pre-processing must be done on them, because fMRI images have a lot of noise due to many problems during scanning, including head movement, which cause wrong connections in the brain network. One of the preprocessing steps is spatial smoothing, which is usually done with a three-dimensional Gaussian kernel. The amount of spatial smoothing applied is usually defined by the full width at half maximum (FWHM) of the Gaussian kernel, which in this research is three different values of 2, 4 and 6 mm surface smoothing pre-processing has been done to see the effect of this stage of pre-processing on the data. Machine learning methods help researchers to classify and predict different stages of diseases using imaging data. In the field of Alzheimer's disease, the progression of this disease can be identified using machine learning models from the stage of cognitive impairment and the classification between healthy people and cognitive impairment and Alzheimer's. In this research, three machine learning models including support vector machine, random forest and XGBoost have been used to classify three groups. The best accuracy for XGBoost is obtained for a FWHM value of 6 mm, which is equal to 93.3%, and it is shown that the amount of smoothing has a very important effect on brain communication and the classification result.

بيماري آلزايمر , اختلال شناختي خفيف , شبكه عصبي , تئوري گراف

Alzheimer's disease , Mild Cognitive Impairment , neural network , theory graph

Esmaeil Zaroori

Dr. Ali Sadr