21056

21056

پردازش تصاوير مغزي مبتلايان به آلزايمر با هدف يافتن ارتباطات مغزي مؤثر

كارشناسي ارشد

مدارهاي مجتمع الكترونيك

96-98

1398/06/24

دكتر علي صدر

برق

برخي اختلالات ناشي از آسيب يا خدشه به مغز را مي¬توان با پردازش تصوير حاصل ازتصويربرداري تانسور انتشار (DTI) با ديد ساختاري مشاهده نمود. بنابراين، پيشرفت در تصاوير DTI و كامل¬تر نمودن دانش ارتباطات مغز انسان مي¬تواند براي تشخيص زودهنگام برخي بيماري¬ها، مانند بيماري آلزايمر كمك بزرگي باشد. با توجه به اين كه علي¬رغم پيشرفت¬هاي علم پزشكي، تاكنون تشخيص و درمان دقيقي براي بيماري آلزايمر وجود ندارد، مي¬توان نتيجه گرفت كه راه¬كارهايي مانند يافتن طبقه¬بند مناسب و دقيق جهت تشخيص زودتر بيماري، از اهميت زيادي برخوردار است. در اين پروژه، ابتدا بر روي 60 داده (20 داده براي هر يك از گروه¬هاي افراد سالم (CNs)، بيماران دچار اختلالات شناختي خفيف (MCIs) و آلزايمر (ADs) به تعداد مساوي زن و مرد) از پايگاه داده «adni.loni.usc.edu» و با استفاده از نرم¬افزار ExploreDTI پيش¬پردازش انجام شد. سپس بين دو گروه ADs و CNs براي ويژگي¬هاي ناهمسان¬گردي كسري (FA)، نفوذپذيري متوسط (MD)، نفوذپذيري شعاعي (RD) و حجم مغز و بين دو گروه ADs و CNs براي هر يك از جنسيت¬هاي زن و مرد به صورت مجزا، بين رشته¬هاي مغزي در يك امتداد براي بخش آهيانه و بر روي سه ويژگي گرافي مستخرج از جعبه¬ابزار اتصالات مغز (BCT) بر اساس تئوري گراف تحليل¬هاي آماري انجام شد. ابتدا نرمال بودن داده¬ها توسط آزمون آماري كولموگروف اسميرنوف بررسي شد و نشان از نرمال نبودن داده ها بود. سپس براي تشخيص ميزان معني¬دار بودن تفاوت در نواحي مختلف مغز بين دو گروه، از آزمون ويلكاكسون رتبه علامت¬دار و بين سه گروه، از آزمون كروسكال واليس استفاده شد. باتوجه به هدف اصلي پروژه، بر اساس ويژگي¬هاي منتخب شبكه مغز، چند طبقه¬بند ماشين بردار پشتيبان (SVM) ساخته شد. بنابراين، نتايجي برابر با 33/63 %، 00/65 % و 83/65 % به دست آمد كه با توجه به صحت گزارش شده در مقالات تا 90/61 % نتايج بهتري محسوب مي¬شود و مي¬تواند تمايز دقيق¬تري بين سه گروه CNs، MCIs و ADs به صورت هم¬زمان ايجاد كند. الگوريتم پروژه در قالب يك فلوچارت و كارهاي پيشنهادي در آينده نيز در پروژه آورده شده است. واژه‌هاي كليدي: پردازش تصوير، DTI، شبكه مغز، BCT، تئوري گراف، SVM، MCIs، ADs

1398/06/26

Brain image processing of ADs to identify effective brain connectivity

9/17/2019 12:00:00 AM

It is known that some impairments due to brain disorder can be observed through DTI image processing from structural aspect. Therefore, improvements in Diffusion Tensor Imaging (DTI) images and brain connectivity knowledge can be very helpful for prognosis of some diseases such as Alzeimer. Despite medical improvements, there is no exact diagnosis and treatment for Alzeimer’s disease, therefore the importance of finding a proper classifier for prognosis can be figured out. In this study, the ExploreDTI software was used for preprocessing of 60 data (20 equal male and female data for each controlled (CNs), Mild Cognitive Impairment (MCI) and Alzeimer (ADs) group) extracted from the ADNI Database (adni.loni.usc.edu). Data analyses were carried out on certain features viz. Fractional Anisotropy (FA), Mean Diffusivity (MD), Radial Diffusivity (RD) and Brain Volume between the ADs and the CNs, and also between males and females on each group separately; on parietal lobe on ADs and CNs by along-tract analysis; and on the three graph features extracted from Brain Connectivity Tool (BCT) based on the graph theory. Normality test done by Kolmogrov-Smirnov revealed non-normality of the data. Wilcoxon Signed Rank test and Kruskal-Wallis tests were used to consider statistical significance between the two and the three groups, respectively. Finally, through the main purpose of the project and based on the selected features of the brain network, some Support Vector Machine (SVM) classifiers were instructed with the accuracies of 63.33%, 65.00% and 65.83%, comparing with 61.9% mentioned in the literature. These classifiers may discriminate well among the three groups of CNs, MCI and ADs simultaneously. A flow chart of the algorithm and the necessary recommendations for the future investigations have been considered in the study. Keywords: image processing, DTI, brain network, BCT, graph theory, SVM classifier, MCI, ADs