احمد کشاورز

بیماری آلزایمر شایع ترین شکل زوال عقل در جهان است که پیش بینی می شود تعداد بیماران آن در سال های آینده افزایش داشته باشد. این بیماری از نظر اقتصادی نیز بسیار هزینه بر بوده و بدون درمان قطعی است. تشخیص زود هنگام آلزایمر و مرحله ظهور آن برای به تاخیر انداختن روند ابتلا به بیماری و شروع مراقبت های ویژه از بیمار، بسیار مهم است. در نتیجه به توسعه روش های جدید برای تشخیص های اولیه این بیماری توجه زیادی می شود. بی نظمی های ساختاری مغز، یکی از ویژگی های حساس این بیماری است که در تصاویر رزونانس مغناطیسی قابل مشاهده بوده و یکی از نشانگرهای زیستی شناخته شده بیماری نیز می باشد. مدل های یادگیری ماشین و تکنیک های یادگیری عمیق قادر به یادگیری ویژگی از داده هایی با ابعاد بالا مانند تصاویر رزونانس مغناطیسی و در نتیجه، طبقه بندی خودکار بیماری آلزایمر هستند. همچنین ویژگی های رادیومیکس، با هدف استخراج تعداد زیادی از ویژگی های کمی از تصاویر پزشکی مورد استفاده قرار می گیرند و توانایی شناسایی برخی از مشخصه های بیماری که با چشم غیر مسلح قابل مشاهده و تشخیص نیست را دارند. در این پژوهش پس از شناسایی دو ناحیه حساس و تاثیر پذیر از بیماری در مغز افراد طبق مشورت با پزشک متخصص (شامل دو ناحیه هیپوکامپوس و آمیگدال)، این نواحی توسط نرم افزار از بافت جدا شده و به عنوان داده های مفید، مبنای طراحی قرار می گیرند. پس از آن یک شبکه عصبی برای تشخیص آلزایمر به گونه ای طراحی شده است که حین فرآیند آموزش و همزمان، هم تمامی ویژگی های رادیومیکس استخراجی و هم تمامی ویژگی هایی که لایه های کانولوشنی از این نواحی استخراج کرده اند، را مورد استفاده قرار می دهد. این شبکه، شامل لایه های ورودی برای ورود تصاویر نواحی نامبرده و سپس انجام عملیات کانولوشن و نیز لایه های ورودی برای تغذیه تمامی ویژگی های رادیومیکس استخراج شده به همراه سن و جنسیت افراد است. طبقه بندی نیز به صورت دودویی برای تفکیک افراد مبتلا به بیماری آلزایمر و اختلال خفیف شناختی از افراد سالم، انجام می شود. ما الگوریتم پیشنهادی خود را هم با استفاده از یک ناحیه به تنهایی، و هم با استفاده از هر دو ناحیه به عنوان ورودی الگوریتم ارزیابی کرده و تاثیر ادغام ویژگی این دو ناحیه را بررسی کرده ایم. همچنین میزان بهبود عملکرد روش پیشنهادی با افزودن ویژگی های رادیومیکس به