تشخیص بیماری MS در مراحل اولیه بکمک پردازش تصاویر fMRI و یادگیری عمیق

بیماری MS نوعی اختلال در سیستم خود ایمنی اعصاب مرکزی است که سلول های ایمنی به اشتباه شروع به از بین بردن غالف چربی محافظ روی رشته های عصبی می کنند. این مناطق آسیب دیده در اصطلاح آسیب شناختی پالک نامیده می شوند. پراکندگی این پالک ها در بافت ماده سفید است. با ادامه فرآ یند ترمیم و تخریب و از بین رفتن غالف چربی محافظ رو ی رشته ها ی عصبی، سیستم پیام رسانی دچار اختلال شده و باعث بروز علائم ی چون کرخت ی، ضعف اندام، ناهماهنگی، سرگیجه و اختلالات بصری می شوند. در رویکرد پیشنهاد ی، مجموعه داده های BraTS دارای تعداد باالیی از تصاویر fMRI برای تشخص MS، آلزایمر و توده های سرطانی وجود دارند که از تصاویری که مربوط به بخش MS هستند. تصاویر به عنوان ورودی های اصلی به سیستم داده می شود و عملیات آموزش و آزمون در شبکه عصبی کانولوشن به عنوان تکنیک یادگیری عمیق انجام می شود. همین طور در عملیات آموزشی، دو مرحله تقطیع و استخراج ویژگی ها با رویکرد ترکیبی LASSO و مدل فرکتال استفاده می شود که به دلیل به کارگیری ویژگی های زیاد ، می بایست کاهش ابعاد صورت بگیرد و در ادامه بهترین ویژگی ها انتخاب و استخراج شوند. در عملیات کاهش ابعاد، به دلیل وجود ساختار خودمتشابه بودن و مانایی ویژگی ها، از مدل فرکتال برای بهبود مدل LASSO استفاده می شود. در ادامه، در واقع در هنگام آموزش داده های تصویری fMRI با شبکه عصبی کانولوشن، عملیات تقطیع و استخراج ویژگی ها و آموزش این ویژگی ها برای تشخیص MS مشخص گردیده است. نتیجه نشان م ی دهد که رویکرد پیشنهاد ی توانسته است تا ۹۸.۶۸ % دقت را در تشخیص و طبقه بندی بیماری MS مشخص نماید.

کلیدواژه ها:

تشخیص بیماری ، MS ، پردازش تصاویر ، fMRI ، یادگیری عمیق