• شماره ركورد
    34466
  • پديد آورنده

    مهديه بهجت خاتوني

  • عنوان
    تشخيص و پيش بيني بيماري آلزايمر توسط شبكه هاي عميق مبتني بر سازوكار توجه با استفاده از تصاوير MRI سه بعدي مغز
  • مقطع تحصيلي
    كارشناسي ارشد
  • رشته تحصيلي
    مهندسي كامپيوتر
  • سال تحصيل
    1400
  • تاريخ دفاع
    1404/07/22
  • استاد راهنما
    دكتر محسن سرياني
  • استاد مشاور
    دكتر محسن سرياني
  • دانشكده
    مهندسي كامپيوتر
  • چكيده
    بيماري آلزايمر رايج¬ترين بيماري عصبي برگشت ناپذير است كه منجر به زوال عقل در انسان مي¬شود و به تدريج حافظه، تصميم‌گيري و تمامي عملكرد شناختي را مختل مي‌كند. از آنجا كه بيماري آلزايمر برگشت‌ناپذير است، تشخيص و پيش‌بيني زودهنگام براي مداخله و مديريت به موقع مهم است. اختلال شناختي خفيف (MCI) يك مرحله مياني بين افراد با شناخت طبيعي (CN) و افراد مبتلا به آلزايمر (AD)، نقش مهمي در تشخيص زودهنگام اين بيماري ايفا مي‌كند. وضعيت MCI با توجه به پيشرفت و عدم پيشرفت به ترتيب به دو گروه pMCI و sMCI افراز مي¬شود. در دهه‌هاي اخير، با توجه به پيشرفت‌هاي چشمگير فناوري، استفاده از روش‌هاي مبتني بر هوش مصنوعي در پردازش تصاوير عصبي و تشخيص بيماري‌ها به طور فزاينده‌اي مورد توجه قرار گرفته است. در اين پژوهش، از تصاوير تشديد مغناطيسي (MRI) مغز به منظور تشخيص و پيش‌بيني بيماري آلزايمر بهره گرفته شد. بدين منظور، مدل انتها به انتهاي EffNetViTLoRA براي تشخيص آلزايمر پيشنهاد گرديد. اين مدل تركيبي، يك شبكه عصبي پيچشي را با يك مبدل بينايي - پيش آموزش ديده بر روي مجموعه‌اي از تصاوير طبيعي - ادغام مي‌كند تا ويژگي‌هاي محلي و سراسري را از تصاوير MRI استخراج نمايد. با توجه به اين‌كه تنظيم دقيق مدل‌هاي بزرگ پيش‌آموزش‌ ديده در شرايطي كه دامنه داده‌هاي مبدأ و هدف متفاوت باشند، اغلب نتايج غيربهينه‌اي ايجاد مي‌كند، از روش انطباق رتبه پايين (LoRA) براي تطبيق مؤثر ViT پيش‌آموزش‌يافته با داده‌هاي هدف استفاده شد. اين رويكرد ضمن تسهيل انتقال دانش، خطر بيش‌برازش را نيز كاهش مي‌دهد. برخلاف بسياري از مطالعات پيشين در حوزه تشخيص آلزايمر كه به مجموعه‌هاي داده محدود اتكا داشتند، روش پيشنهادي ما بر روي تمامي نمونه‌هاي MRI با وزن¬دهي T1 از پايگاه داده ADNI آموزش داده شده و در نتيجه مدلي قابل اعتماد و فاقد سوگيري ارائه مي‌دهد. به منظور لحاظ كردن تغييرات زماني در ارائه مدل پيش¬بيني آلزايمر، از شبكه‌هاي حافظه طولاني كوتاه مدت دوطرفه (BiLSTM) براي پردازش ويژگي‌هاي استخراج‌شده از چهار نقطه زماني متوالي MRI به همراه برخي نشانگرهاي زيستي غيرتصويري استفاده گرديد و وضعيت شناختي افراد مبتلا به اختلال خفيف شناختي (MCI) در ماه 48¬ام پيش‌بيني شد. مدل چندوجهي پيشنهادي توانست به دقت طبقه‌بندي 52/92% در طبقه¬بندي سه دسته¬اي AD، MCI و CN و دقت پيش¬بيني 05/95% در تمايز ميان sMCI و pMCI دست يابد كه نسبت به مطالعات پيشين عملكرد بهتري ارائه مي‌دهد.
  • تاريخ ورود اطلاعات
    1404/11/11
  • عنوان به انگليسي
    Diagnosis an‎d prognosis of Alzheimerʹs disease by deep networks based on attention mechanism using 3D brain MRI images
  • تاريخ بهره برداري
    1/27/2026 12:00:00 AM
  • دانشجوي وارد كننده اطلاعات

    مهديه بهجت خاتوني

  • چكيده به لاتين
    Alzheimer’s disease (AD) is the most common irreversible neurodegenerative disorder, leading to dementia an‎d progressively impairing memory, decision-making, an‎d all cognitive functions. Since Alzheimer’s disease is irreversible, early diagnosis an‎d prediction are critical for timely intervention an‎d effective management. Mild Cognitive Impairment (MCI), an intermediate stage between cognitively normal (CN) individuals an‎d those with Alzheimer’s, plays a key role in early detection. Based on its progression, MCI is categorized into two groups: stable MCI (sMCI) an‎d progressive MCI (pMCI). Recent advances in artificial intelligence (AI) have enabled significant progress in neuroimaging an‎d disease diagnosis. In this study, we propose an end-to-end framework, EffNetViTLoRA, for the diagnosis an‎d prediction of Alzheimer’s disease (AD) from brain magnetic resonance imaging (MRI) scans. This hybrid model integrates a convolutional neural network (CNN) with a vision transformer (ViT) pretrained on natural images to capture both local an‎d global features. To address domain differences between natural an‎d medical images, Low-Rank Adaptation (LoRA) was employed to efficiently adapt the pretrained ViT to the target dataset, enhancing knowledge transfer while mitigating overfitting. Unlike prior works that relied on limited subsets of data, our approach was trained on the complete set of T1-weighted MRI scans from the ADNI dataset, yielding a robust an‎d unbiased diagnostic model. To capture temporal progression, bidirectional long short-term memory networks (BiLSTM) were applied to features extracted from four consecutive MRI time points, combined with non-imaging biomarkers such as hippocampal volume, ventricular volume, an‎d whole brain volume. Cognitive status in individuals with mild cognitive impairment (MCI) was predicted at month 48. The proposed multimodal framework achieved 92.52% classification accuracy across AD, MCI, an‎d CN groups, an‎d 95.05% prediction accuracy in distinguishing sMCI from pMCI, outperforming previous studies in AD prediction.
  • كليدواژه هاي فارسي
    بيماري آلزايمر , مبدل بينايي , تشخيص , پيش بيني , MRI , EffNetViTLoRA , BiLSTM
  • كليدواژه هاي لاتين
    Alzheimer’s disease , Vision Transformer , Diagnosis , Prediction , MRI , EffNetViTLoRA , BiLSTM
  • Author
    Mahdiyeh Behjat Khatooni
  • SuperVisor
    Dr. Mohsen Soryani
    • لينک به اين مدرک
    https://dl.iust.ac.ir/dl/search/default.aspx?Term=34466&Field=0&DTC=6