شماره ركورد
30457
پديد آورنده
زهراسادات سجادي
عنوان
تخمين سن بيولوژيكي مغز با روش يادگيري خودنظارتي چندوظيفهاي
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
مهندسي كامپيوتر- هوش مصنوعي و رباتيك
سال تحصيل
1399
تاريخ دفاع
1402/7/15
استاد راهنما
محسن سرياني
دانشكده
مهندسي كامپيوتر
چكيده
با افزايش طول عمر انسان، نياز فزايندهاي به روشهاي قابل اعتماد براي ارزيابي سلامت و تغييرات مرتبط با سن در مغز بوجود ميآيد. سن بيولوژيكي يك نشانگر زيستي اميدواركننده است كه ميتواند به عنوان شاخص سلامت كلي، پيري سالم و همچنين نشانگر برخي بيماريها باشد. از طرفي، استفاده از ابزارهاي مبتني بر يادگيري ماشين و يادگيري عميق اين مسير را هموار كردهاند؛ اما به دليل چالشهاي موجود در اين مسئله، استراتژيهاي آموزشي كارآمد براي دستيابي به عملكرد بالا در پيشبيني سن بيولوژيكي همچنان حائز اهميت است. در اين مطالعه، يك مدل دو بعدي خود نظارتي چند وظيفهاي براي تخمين سن بيولوژيكي از تصاوير مغزي MRI پيشنهاد شد. ما در اين مدل از يادگيري چند وظيفهاي استفاده كرديم؛ يعني در كنار وظيفهي اصلي پيشبيني سن بيولوژيكي مغز، به پيشبيني كلاس زاويهي چرخش تصوير ورودي هم پرداختيم. سپس، به منظور بررسي تأثير روش چند وظيفهاي، عملكرد مدلهاي چند وظيفهاي و تك وظيفهاي را مقايسه كرديم. دريافتيم كه مدلهاي چند وظيفهاي عملكردي بهتر نسبت به نوع تك وظيفهاي خود داشتند. چرا كه اين مدلها به دليل حل همزمان چندين مسئله، ويژگيهاي با عموميت بالاتري را نسبت به مدلهاي تك وظيفهاي ياد ميگيرند. همچنين اين نتايج حاكي از آن بود كه وظيفهي چرخش گرچه ساده به نظر ميآيد اما يك وظيفه خود نظارتي مؤثر در مسئلهي تخمين سن بيولوژيكي مغز است. در ادامه، تأثير يك نوع پيشآموزش خود نظارتي (يادگيري تمايزي توسط چارچوب DINO) و يك نوع پيشآموزش تحت نظارت (ناحيه بندي تومور) و همچنين تأثير وزنهاي ImageNet را روي مدل پيشنهادي خود بررسي كرديم. در آزمايشهاي ما، هر سه وزن پيشآموزش سودمند بودند. نهايتاً مدل پيشنهادي ما مبتني بر ستون فقرات VGG-16 با سر چند وظيفهاي به همراه پيشآموزش ImageNet، عملكردي همتراز با مدلهاي اخير يعني با ميانگين خطاي مطلق (MAE) 3.14 سال را در مسئلهي پيشبيني سن مغز ارائه كرد.
تاريخ ورود اطلاعات
1402/11/15
عنوان به انگليسي
Estimation of the biological age of the brain using self-supervised learning
تاريخ بهره برداري
1/1/1900 12:00:00 AM
دانشجوي وارد كننده اطلاعات
زهراسادات سجادي
چكيده به لاتين
As the global population ages, reliable methods for assessing brain health and its changes have become crucial. Predicting the biological age of the brain is a promising biomarker for evaluating overall health, and machine learning tools have made this possible. However, efficient training strategies are required to achieve high performance in predicting human brain age. We propose a self-supervised multitask model for predicting brain age and rotation class from the 2D ADNI dataset's magnetic resonance images (MRI). This model outperforms single-task models and improves brain age prediction by providing more general features through the self-supervised task of rotation class classification. We have also examined how self-supervised pretraining implemented by a DINO framework (knowledge distillation with no labels) and tumor segmentation as supervised pretraining and ImageNet weights affect our network. We discover that all these pretraining weights have a considerable impact and our proposed model, based on VGG-16 with a multitask head and ImageNet pretraining, performed equally well as state-of-the-art models, with a mean absolute error (MAE) of 3.14 years.
كليدواژه هاي فارسي
سن بيولوژيكي مغز , مدل چند وظيفهاي , يادگيري خودنظارتي , يادگيري انتقالي
كليدواژه هاي لاتين
biological brain age , Multitask Model , Self-supervised Learning , Transfer Learning
Author
Zahra sadat Sajjadi
SuperVisor
Dr. Soryani