26267

طبقهبندي بيماران آلزايمر در سه كلاس AD,MCI,HC با استفاده از تصاوير fMRI

كارشناسي ارشد

برق الكترونيك ديجيتال

1400

1400/08/19

آقاي دكتر علي صدر

مهندسي برقبر

بيماري آلزايمر يك بيماري پيشرونده و برگشت‌ناپذير است كه باعث از بين رفتن سلول‌هاي عصبي در نواحي مختلف مغز شده و پزشك زماني از اين بيماري مطلع مي‌گردد كه در مرحله پيشرفت قرار دارد. به همين دليل، تشخيص زود هنگام اين بيماري حائز اهميت است. در اين مطالعه، هدف به كارگيري الگوريتم‌هاي تكاملي و نظريه گراف بر روي داده‌هاي rs-fMRI براي بهينه كردن طبقه‌بندي افراد مبتلا به AD و MCI از گروه سالم است. همبستگي عملكردي در نواحي مختلف مغز از طريق سنجش‌هاي مختلف و با استفاده از ضرايب همبستگي پيرسون تعيين شده است كه اين سنجش‌ها عبارتند از: 1) ارتباطات مبتني بر هسته كه همبستگي كاركردي بين يك ناحيه به عنوان هسته و هر يك از وكسل‌هاي مغز را بررسي مي‌كند، 2) ارتباطات وكسل به وكسل كه ميزان همبستگي عملكردي بين هر يك از وكسل‌ها و بقيه وكسل‌هاي مغز را اندازه‌گيري مي‌كند، 3) ارتباطات ناحيه به ناحيه كه همبستگي عملكردي بين تمام جفت نواحي‌هاي مغز را بررسي مي‌كند. در كنار بررسي ارتباطات بين نواحي مختلف مغز از طريق روش‌هاي ذكر شده، اين ارتباطات توپولوژيكي نيز بررسي مي‌شوند. از اين رو، از نظريه گراف و معيارهاي آن براي بررسي ويژگي‌هاي توپولوژيكي مبتني بر همبستگي عملكردي در نواحي مختلف مغز استفاده مي‌كنيم. معيارهاي گراف استفاده شده در اين مطالعه عبارتند از: 1) مرتبه و هزينه كه قدرت ارتباطات هر گره در همسايگي خود را بررسي مي‌كنند. 2) ميانگين طول مسير و كارايي جهاني كه سرعت هر ناحيه از نظر انتقال اطلاعات به ديگر نواحي مغز را اندازه‌گيري مي‌كنند. 3) كارايي محلي و ضريب خوشه‌بندي كه قدرت ارتباطات هر گره را داخل خوشه‌اي كه قرار دارد، بررسي و اندازه‌گيري مي‌كنند. به كمك اين معيارها، استخراج ويژگي انجام و براي انتخاب ويژگي‌هاي برتر، الگوريتم‌هاي تكاملي به‌كار گرفته مي‌شوند كه عبارتند از: الگوريتم ژنتيك NSGA-2، الگوريتم ژنتيك كلاسيك و الگوريتم بهينه‌سازي جمعي ذرات ( PSO ). به كمك الگوريتم ژنتيك NSGA-2، با 29 ويژگي به صحت 96/03 درصد، الگوريتم ژنتيك كلاسيك با 24 ويژگي به صحت 89/33 درصد و الگوريتم PSO با 80 ويژگي به صحت 88/16 درصد مي‌رسيم.

1400/12/25

classification of patients with AD and MCI from healthy control with fMRI

11/10/2022 12:00:00 AM

Alzheimer’s disease, an irreversible and progressive disease, can lead to the loss of connections through different parts of human brain. Doctors can not afford to identify these slight changes of brain in early stage and without dire consequences .it follow that early diagnosis of this disease is of paramount importance to us in order to avoid intense cognitive impairment through medical prescription. In current study, our aim is to apply evolutionary algorithms and graph theory to optimize classification of patients with AD and MCI from healthy control with rs-fMRI. Functional connectivity is calculated in different regions of brain through diverse metrics and also pearson’s coefficients. These metrics are:1) seed-based connectivity which looks at functional connectivities between particular region as a seed and every each of brain voxels, 2) voxel-based connectivity which determines amount of functional connectivities between every voxel and the rest of voxels, 3) ROI-ROI connectivity which brings all pair regions under scrutiny. beside analysing connections of different regions of brain in cited ways, they are also analysed topologically. It follows that we refer to graph and related measures which are: 1) degree and cost that look at connections of every each of nodes in its neighborhood, 2) average path length and global efficiency which determine the speed of data transfer of each region to the other regions, 3) local efficiency and clustering coefficient which look at the connections of each node in its cluster. These measures make a considerable contribution to features extraction. subsequently, we apply evolutionary algorithms such as NSGA_2, classical GA and PSO to feature selection. consequently, we achieved to the accuracy of 96/03% with 29 features by NSGA_2, the accuracy of 89/33% with 24 features by GA and 88/16% with 80 features by PSO.

بيماري آلزايمر , تئوري گراف , يادگيري ماشين , الگوريتم هاي تكاملي

Mehdi Ghasemi

Dr. Ali Sadr