30076

تشخيص بيماري ام اس از داده هاي fMRI با استفاده از ويژگي هاي غيرخطي

كارشناسي ارشد

مهندسي پزشكي

1399

1402/06/29

محمدرضا دليري

مهندسي برق

ام اس يك بيماري خودايمني مزمن است كه در آن سيستم ايمني به اشتباه به پوشش محافظ رشته هاي عصبي حمله مي كند و منجر به مشكلات ارتباطي بين مغز و بقيه بدن مي شود. برخي از بيماران ام اس داراي اختلالات شناختي نظير اختلال در حافظه كاري مي باشند. در اين پژوهش به منظور بررسي حافظه كاري، از تسك n-back با سه بار كاري مختلف استفاده شده است. مطالعات گذشته با بررسي ويژگي هاي غيرخطي سيگنال الكتروانسفالوگرام به نتايج قابل توجهي در تشخيص بيماري هاي عصبي مختلف دست يافتند. هدف از اين مطالعه بررسي ويژگي هاي غيرخطي سيگنال وابستگي ميزان اكسيژن خون (BOLD) و استفاده از اين ويژگي ها براي تفكيك گروه سالم و ام اس مي باشد. براي اين منظور با استفاده از اطلس AAL، مغز به 116 ناحيه تقسيم شد و هر يك از واكسل ها برچسب گذاري شدند، سپس سيگنال BOLD واكسل هاي مربوط به هر يك از نواحي ميانگين گيري شد. در مرحله ي بعد براي هر يك از اين سيگنال هاي زماني، 6 ويژگي غيرخطي شامل بعد فركتال هيگوچي، بعد فركتال كتز، نماي هرست، نماي لياپانوف، آنتروپي نمونه و آنتروپي تقريبي استخراج شد، در مرحله بعد آزمون آماري با استفاده از آزمون مجموع رتبه ويلكاكسون بر روي ويژگي هاي استخراج شده، ميان دو گروه سالم و ام اس انجام شد تا ويژگي هاي معني دار و متمايزگر بين دو گروه مشخص شود. نتايج نشان داد ويژگي بعد فركتال هيگوچي در بسياري از نواحي در تمام بارهاي كاري بين دو گروه ام اس و سالم به طرزمعناداري متفاوت است. در ادامه به منظور طبقه بندي دو گروه پس از تعيين مجموعه داده آموزش و تست با استفاده از آزمون مجموع رتبه ويلكاكسون، ويژگي هاي برتر از روي مجموعه داده آموزش انتخاب شده و از 3 طبقه بند مختلف (ماشين بردار پشتيبان، k-نزديك ترين همسايه و بيز ساده) براي كار طبقه بندي استفاده شد. پس از بررسي نتايج معلوم شد بهترين نتيجه زماني حاصل مي شود كه از تركيب تمام ويژگي هاي غيرخطي، طبقه بند ماشين بردار پشتيبان و بار كاري 1-back براي طبقه بندي استفاده شود؛ نتيجه صحت، حساسيت و اختصاصي بودن طبقه بندي در بهترين حالت به ترتيب به 95%، 87.5% و 100% رسيد. نتايج نشان داد ويژگي هاي غيرخطي سيگنال BOLD fMRI در تشخيص بيماري ام اس عملكرد خوبي دارند.

1402/08/23

Diagnosis of MS disease from fMRI data using nonlinear features

9/19/2024 12:00:00 AM

Multiple sclerosis (MS) is a chronic autoimmune disease in which the immune system mistakenly attacks the protective covering of nerve fibers, leading to communication problems between the brain and the rest of the body. Some MS patients have cognitive disorders such as working memory disorders. In this research, in order to investigate working memory, the n-back task was used with three different workloads. Past studies have achieved significant results in the diagnosis of various neurological diseases by examining the non-linear features of the electroencephalogram signal. The aim of this study is to investigate the non-linear features of the blood oxygen level dependence (BOLD) signal and use these features to separate healthy and MS groups. For this purpose, using the AAL atlas, the brain was divided into 116 regions and each voxel was labeled, then the BOLD signal of the corresponding voxels was averaged. In the next step, for each of these time signals, 6 non-linear features including Higuchi's fractal dimension, Katz's fractal dimension, Hurst exponent, Lyapunov exponent, Sample Entropy and Approximate Entropy were extracted. Wilcoxon rank-sum test was performed on the extracted features between the healthy and MS groups to determine the significant and distinguishing features between the two groups. The results showed that Higuchi's fractal dimension is significantly different in many areas in all workloads between MS and healthy groups. Next, in order to classify the two groups after determining the training and testing data sets using the Wilcoxon rank-sum test, the best features were selected from the training dataset and from 3 different classifications (Support Vector Machine, K-Nearest Neighbors and Naïve Bayes) were used for the classification task. After examining the results, it was found that the best result is obtained when the combination of all non-linear features, Support Vector Machine classifier and 1-back workload are used for classification; The result of accuracy, sensitivity and specificity of the classification reached 95%, 87.5% and 100% respectively. The results showed that the non-linear features of BOLD fMRI signal perform well in the diagnosis of MS.

حافظه كاري , ام اس , ويژگي هاي غيرخطي , تصويربرداري تشديد مغناطيسي عملكردي

Working Memory , Multiple Sclerosis , Non-Linear Features , fMRI

Alireza Bagheri

Mohammadreza Daliri