27445

استفاده از الگوهاي مغزي درگير مراحل مختلف بيماران آلزهايمري در داده‌هاي fMRI براي كلاس‌بندي خودكار بيماري

دكترا

مهندسي برق- الكترونيك

1395

1401/08/07

علي صدر

امير همايون جوادي

مهندسي برق

با توجه به افزايش تعداد افراد سالمند در دنيا، بررسي بيماري‌هاي مرتبط با اين سنين به‌خصوص بيماري آلزهايمر و ارائه روش‌هاي درماني و كنترلي اهميت فراواني دارد. اين بيماري شايع¬ترين شكل زوال عقل است. تشخيص بيماري آلزهايمر در مراحل اوليه كه با نام اختلال شناختي خفيف (MCI) شناخته مي¬شود، براي شناسايي و كنترل پيشرفت بيماري بسيار حائز اهميت است. روش¬هاي تصوير¬برداري عصبي از جمله fMRI، MRI و DTI تكنيك¬هاي بسيار موثر براي تشخيص بيماري آلزهايمر در مرحله MCI هستند. در اين رساله هدف دسته‌بندي داده‌هاي fMRI، MRI و DTI براي سالمندان در گروه‌هاي(EMCI) Early MCI وافراد سالم از نظر شناختي، AD و افراد سالم از نظر شناختي، همچنين تشخيص پيشرفت بيماري از مرحله MCI به AD است. داده‌هاي مورد استفاده در اين رساله از مجموعه داده‌هاي آزمايشگاه تصويربرداري عصبي بيماران آلزهايمر ADNI و MIRIAD اخذ شده استكه شامل داده¬هاي MRIساختاري و عملكردي و DTI است. پس از پيش‌پردازش داده‌ها، استخراج اطلاعات ارتباطات مغز با استفاده از تئوري گراف و حجم نواحي مغز با داده MRI صورت گرفته است. ويژگي¬هاي استخراج شده از اين نواحي و شبكه¬ها به الگوريتم¬هاي انتخاب ويژگي كه در اين مطالعه پنج الگوريتم تكاملي است داده مي¬شود و سپس بهترين ويژگي¬هاي انتخابي به الگوريتم¬هاي يادگيري ماشين (شبكه هاي عصبي،SVM و جنگل تصادفي(RF)) براي دسته¬بندي داده¬ها بين افراد سالم و AD همچنين افراد سالم و EMCI، داده مي‌شود. علاوه براين حجم نواحي مغز استخراج شده با استفاد از روش¬هاي بخش¬بندي خودكار براساس داده¬هاي MRI به عنوان ويژگي¬هاي مهم جهت دسته¬بندي مراحل مختلف بيماري آلزهايمر استفاده شده است. همچنين در اين مطالعه به دسته¬بندي پيشرفت بيماري از مرحله MCI به AD با استفاده از داده¬هاي MRI و DTI پرداخته شده است. اين داده¬ها در دو دسته MCI پيشرونده (progressive MCI) و MCI ثابت (stable MCI) دسته¬بندي شده¬اند. با استفاده از ويژگي‌هاي استخراج شده، الگوريتم دسته‌بندي مي‌تواند با دقت بسيار بالايي در حدود 95% به طور خودكارمراحل بيماري را دسته¬بندي نمايد. نتايج به دست آمده بهبود 10 الي 15 درصد دقت دسته-بندي نسبت به مطالعات قبلي را نشان مي¬دهد.

1401/09/08

Classification of Alzheimer's Disease Stages Using Brain Patterns Base On Rest-fMRI

10/29/2023 12:00:00 AM

Due to the increasing number of elderly people in the world and especially in Iran, the study of diseases related to these ages, especially Alzheimer's disease (AD), and the provision of treatment and control methods are among the requirements of future studies. General methods for diagnosing AD are to study specific areas of the brain, such as the hippocampus, that are related to memory. Because these parts are the first areas of the brain that are affected by this disease and lose their normal function. Resting-state fMRI (rs-fMRI) is capable of measuring the spontaneous fluctuations of brain activity without any task; hence it is less sensitive to individual cognitive abilities. Therefore, in this study we propose novel methods using fMRI and T1-MRI to discriminate between healthy participants (HC), EMCI, AD and mild cognitive impairment (MCI), Also, diagnosis of disease progression from MCI to AD. Data were extracted from the publicly available databases of the Alzheimer’s disease neuroimaging initiative database (ADNI) and MIRIAD. That include MRI, fMRI and DTI data. After preprocessing, we applied graph theory to extract a collection of graph parameters. This data is then given to five different evolutionary algorithms (EA) to select an optimum subset of parameters. These selected parameters are subsequently given to classification algorithms to classify the data into two groups of HC and EMCI. Also, using three automatic brain segmentation methods, we extracted volumetric parameters from T1-MRI as input to the optimization algorithms. Finally, this study presents a unique three-year longitudinal T1-MRI and DTI based method for predicting the MCI-to-AD conversion using high efficacy multiobjective evolutionary algorithm as feature selection. The results show that the proposed methods are helpful for early AD diagnosis and an essential role of T1-MRI and DTI in detecting AD conversion in MCI patients. All algorithms achieved classification accuracy of 95%, These accuracy percentages are 10% to 15% higher than previously studied.

بيماري آلزهايمر , تصويربرداري تشديد مغناطيسي عملكردي

Alzheimer's disease (AD) , resting state fMRI

Jafar Zamani

Ali Sadr