|
Title
|
تشخيص بيماري آلزايمر با استفاده از ويژگي هاي راديوميكس مبتني بر شبكه ي عصبي كانولوشني و تصاوير رزونانس مغناطيسي
|
|
Type
|
Thesis
|
|
Keywords
|
machine learning, alzheimer's disease, deep learning, convolutional
neural networks, radiomics features, hippocampus, amygdala.
|
|
Abstract
|
بيماري آلزايمر شايع ترين شكل زوال عقل در جهان است كه پيش بيني مي شود تعداد
بيماران آن در سال هاي آينده افزايش داشته باشد. اين بيماري از نظر اقتصادي نيز بسيار
هزينه بر بوده و بدون درمان قطعي است. تشخيص زود هنگام آلزايمر و مرحله ظهور
آن براي به تاخير انداختن روند ابتلا به بيماري و شروع مراقبت هاي ويژه از بيمار،
بسيار مهم است. در نتيجه به توسعه روش هاي جديد براي تشخيص هاي اوليه اين
بيماري توجه زيادي مي شود. بي نظمي هاي ساختاري مغز، يكي از ويژگي هاي حساس
اين بيماري است كه در تصاوير رزونانس مغناطيسي قابل مشاهده بوده و يكي از
نشانگرهاي زيستي شناخته شده بيماري نيز مي باشد. مدل هاي يادگيري ماشين و
تكنيك هاي يادگيري عميق قادر به يادگيري ويژگي از داده هايي با ابعاد بالا مانند
تصاوير رزونانس مغناطيسي و در نتيجه، طبقه بندي خودكار بيماري آلزايمر هستند.
همچنين ويژگي هاي راديوميكس، با هدف استخراج تعداد زيادي از ويژگي هاي كمي از
تصاوير پزشكي مورد استفاده قرار مي گيرند و توانايي شناسايي برخي از مشخصه هاي
بيماري كه با چشم غير مسلح قابل مشاهده و تشخيص نيست را دارند. در اين پژوهش پس
از شناسايي دو ناحيه حساس و تاثير پذير از بيماري در مغز افراد طبق مشورت با
پزشك متخصص (شامل دو ناحيه هيپوكامپوس و آميگدال)، اين نواحي توسط نرم افزار
از بافت جدا شده و به عنوان داده هاي مفيد، مبناي طراحي قرار مي گيرند. پس از آن
يك شبكه عصبي براي تشخيص آلزايمر به گونه اي طراحي شده است كه حين فرآيند
آموزش و همزمان، هم تمامي ويژگي هاي راديوميكس استخراجي و هم تمامي
ويژگي هايي كه لايه هاي كانولوشني از اين نواحي استخراج كرده اند، را مورد استفاده
قرار مي دهد. اين شبكه، شامل لايه هاي ورودي براي ورود تصاوير نواحي نامبرده و
سپس انجام عمليات كانولوشن و نيز لايه هاي ورودي براي تغذيه تمامي ويژگي هاي
راديوميكس استخراج شده به همراه سن و جنسيت افراد است. طبقه بندي نيز به صورت
دودويي براي تفكيك افراد مبتلا به بيماري آلزايمر و اختلال خفيف شناختي از افراد
سالم، انجام مي شود. ما الگوريتم پيشنهادي خود را هم با استفاده از يك ناحيه به تنهايي،
و هم با استفاده از هر دو ناحيه به عنوان ورودي الگوريتم ارزيابي كرده و تاثير ادغام
ويژگي اين دو ناحيه را بررسي كرده ايم. همچنين ميزان بهبود عملكرد روش پيشنهادي
با افزودن ويژگي هاي راديوميكس به
|
|
Researchers
|
Ahmad Keshavarz (First primary advisor) , Habib Rostami (First primary advisor) , Reza Dianat (Advisor)
|