تحلیل و طبقه بندی هوشمند اتصالات عملکردی مغز در اختلال شناختی با استفاده از الگوریتم شبکه های عصبی یادگیری عمیق

بیماری آلزایمر یک بیماری مخرب مغزی است که با اختلالات پیشرونده شناختی و کاهش حافظه همراه است. و در بیماری های مغزی عموما اتصالت عملکردی دچار تغییر میشوند. با پیشرفت دستگاه های تصویربرداری و توانایی استفاده همزمان از چند مدالیته ی متفاوت میتوان به بررسی تغییرات مغز بیماران از جهات مختلف پرداخت. .اخیرا مطالعات بسیاری در تلاش برای یافتن راهی جهت تشخیص زودهنگام بیماری در مراحل اولیه هستند تا ارتباطات مغزی را از لحاظ عملکردی و ساختاری مورد بررسی قرار دهند .از این رو هدف این پروزه بررسی ارتباط و مطالعه ی تغییرات عملکرد و ساختار مغز جهت شناخت بهتر بیماری و یافتن ارتباطات مغزی با به کارگیری شبکه های عصبی عمیق ۳ جهت استخراج اولیه ویژگی و از الگوریتم درخت تصمیم گیری جهت طبقه بندی مراحل بیماری تعیین شد. دراین مطالعه ابتدا داده های خام عملکردی rs-fmri و داده های ساختاری MRI از پایگاه داده ADNI پیش پردازش شدند(۲۰ سالم و ۲۴ الزایمر و ۱۵ mci و ۱۷mci-E ) و سپس ویژگی مهم داده های عملکردی ۵ ReHo, ۶ ALFF ,۷fALFF برای همه ی گروه ها استخراج شدند و در آخر از روش شبکه عصبی عمیق جهت استخراج ویژگی ها و سپس استفاده از الگوریتم درخت تصمیم جهت طبقه بندی داده ها استفاده کردیم. دقت طبقه بندی این روش برابر با ۹۲ % است . نتایج این پژوهش نشان داد که استفاده از تلفیق روش های یادگیری عمیق و الگوریتم های ماشین لرنینگ می تواند با دقت مطلوبی بیماری آلزایمر را در مراحل ابتدایی تشخیص دهد.

کلیدواژه ها:

Alzheimer dieses ، Random forest classifier ، Regional homogeneity ، Amplitude of low-frequency fluctuation ، functional connectivity ، Deep Convolutional Neural Network Learning ، Fractional amplitude of low-frequency fluctuations