تشخیص بیماری پارکینسون با استفاده از تصاویر MRI و شبکه های عصبی کانولوشنی CNN

بیماری پارکینسون یکی از شایع ترین اختلالات پیشرونده نورودژنراتیو است که با تخریب سلول های دوپامینرژیک ناحیه Substantia Nigra مشخص می شود. تشخیص زودهنگام این بیماری، همچنان چالشی اساسی در علوم اعصاب و تصویربرداری پزشکی است؛ زیرا بسیاری از تغییرات پاتولوژیک پیش از بروز علائم بالینی قابل مشاهده با ابزارهای سنتی نیستند. در دهه اخیر، تصویربرداری تشدید مغناطیسی (MRI) به دلیل غیرتهاجمی بودن، وضوح فضایی مناسب و توانایی ارائه اطلاعات ساختاری و بافتی از مغز، به ابزاری مهم در مطالعات پارکینسون تبدیل شده است. با این حال، تفسیر دستی تصاویر MRI نیازمند تخصص گسترده بوده و به شدت مستعد خطای انسانی است. در این میان، ظهور روش های هوش مصنوعی و یادگیری عمیق فرصت های جدیدی برای تحلیل پیشرفته MRI و شناسایی الگوهای پنهان فراهم کرده است. هدف اصلی این تحقیق، توسعه یک سیستم مبتنی بر شبکه عصبی کانولوشنی سه بعدی (3D-CNN) جهت تشخیص بیماری پارکینسون از روی تصاویر MRI و تحلیل پارامترهای تصویری مرتبط با این اختلال است. این پژوهش با تمرکز بر داده های MRI خام، سعی دارد با استفاده از تکنیک های پیش پردازش پیشرفته، مدل سازی عمیق و ارزیابی چندلایه عملکرد، یک چارچوب دقیق، پایدار و قابل تعمیم برای کاربردهای بالینی ارائه دهد. نخست، داده های MRI خام از پایگاه های معتبر شامل تصاویر حجمی T1-weighted انتخاب شدند. چالش های اولیه داده ها شامل نویز، تفاوت دستگاه ها و شدت سیگنال، ناهمراستایی در محورهای فضایی و تغییرات آناتومیک بین افراد بود. برای رفع این مشکلات، مجموعه ای از پردازش ها شامل حذف نویز (Denoising)، استانداردسازی شدت، تصحیح میدان (Bias Field Correction)، هم ترازی فضایی (Registration) و بخش بندی ناحیه مغز (Brain Extraction) انجام شد. در مرحله بعد، تکنیک های پیشرفته تری مانند نرمال سازی فضایی به قالب MNI، افزایش داده سه بعدی (3D Augmentation) و استخراج ROI برای تمرکز بر مناطق حیاتی مرتبط با پارکینسون مانند Substantia Nigra و Putamen به کار گرفته شد. پس از آماده سازی داده ها، معماری پیشنهادی 3D-CNN طراحی شد. این شبکه شامل چندین لایه کانولوشنی سه بعدی با فیلترهای کوچک، لایه های میان گیر (Pooling) برای کاهش ابعاد، لایه های نرمال سازی دسته ای (BatchNorm)، توابع فعال سازی غیرخطی ReLU و در نهایت لایه های Fully Connected برای تصمیم گیری نهایی است. انتخاب ساختار سه بعدی به جای مدل های متداول دوبعدی، امکان بهره گیری کامل از اطلاعات حجمی MRI و جلوگیری از اتلاف ویژگی های فضایی را فراهم می کند. برای جلوگیری از بیش برازش، از Dropout، Early Stopping و Regularization استفاده شد. همچنین فرآیند آموزش با استفاده از تابع هزینه Cross-Entropy و بهینه ساز Adam انجام گرفت. جهت تقویت عملکرد مدل، چندین آزمایش تکمیلی شامل بررسی نقشه های توجه (Grad-CAM 3D)، تحلیل تاثیر هر لایه کانولوشنی بر کیفیت استخراج ویژگی ها، مقایسه عملکرد توابع فعال سازی مختلف، و آزمایش مجموعه ای از معماری ها با عمق و تعداد فیلترهای متفاوت صورت گرفت. نتایج نشان داد لایه های اولیه شبکه قادرند ویژگی های ساختاری ماکروسکوپی را شناسایی کنند، در حالی که لایه های عمیق تر الگوهای ظریف تری مانند تغییرات ریزبافت و الگوهای انحطاط مواد خاکستری را استخراج می کنند. ارزیابی مدل با استفاده از معیارهای استاندارد شامل دقت (Accuracy)، حساسیت (Sensitivity)، ویژگی (Specificity)، امتیاز F1 و AUC انجام شد. مدل پیشنهادی توانست دقت قابل توجهی در تشخیص پارکینسون نسبت به نمونه های سالم کسب کند و در برخی آزمایش ها عملکرد آن از مدل های پایه دوبعدی و روش های یادگیری ماشین کلاسیک (مانند SVM و Random Forest) برتر بود. تحلیل عمیق تر نتایج نشان داد که ترکیب پیش پردازش پیشرفته، معماری سه بعدی و تنظیم بهینه ابرپارامترها نقش مهمی در بهبود عملکرد داشته است. این پژوهش علاوه بر تشخیص، به ارتباط میان پارامترهای MRI و شدت یا پیشرفت بیماری نیز پرداخته است. به ویژه بررسی شد که چگونه تغییرات در حجم ماده خاکستری، شدت سیگنال در نواحی گانگلیون های قاعده ای و شاخص های مورفومتری می توانند توسط CNN شناسایی شوند و به عنوان بیومارکرهای زودهنگام مطرح گردند. این نتایج می تواند به توسعه ابزارهای کمکی تشخیصی کمک کند و در آینده جایگاه مهمی در کلینیک های نورولوژی ایفا کند. سپس، چالش های عمده کاربرد هوش مصنوعی در MRI پارکینسون مورد بررسی قرار گرفت؛ از جمله کمبود داده های برچسب خورده، ناهمگونی دستگاه ها و پروتکل های تصویربرداری، سوگیری داده ها، دشواری تفسیرپذیری مدل های عمیق و مخاطرات کاربرد بالینی. در ادامه، راهکارهایی مانند استفاده از داده های چندمرکزی، یادگیری انتقالی (Transfer Learning)، یادگیری نیمه نظارتی، روش های Explainable AI، شبکه های چندوجهی (Multimodal Models) و ادغام داده های MRI با اطلاعات بالینی و ژنتیکی پیشنهاد شد. در نهایت، این تحقیق نشان می دهد که مدل های 3D-CNN می توانند به عنوان ابزاری قدرتمند برای تحلیل MRI در بیماری پارکینسون مورد استفاده قرار گیرند و پتانسیل بالایی در تشخیص زودهنگام، تحلیل شدت بیماری و پشتیبانی تصمیم گیری پزشکی دارند. پیشرفت های آتی در حوزه AI، ترکیب داده های چندوجهی و بهبود شفافیت مدل ها می تواند این فناوری را به ابزار معمول در کلینیک تبدیل کرده و گام مهمی در جهت تشخیص دقیق تر و درمان شخصی سازی شده بیماران بردارد

کلیدواژه ها:

پارکینسون