ارائه راهکاری جهت تشخیص بیماری ms با استفاده از ابزارهای شبکه ارتباطات کارکردی پویای مغز و شبکه عصبی هوشمند به کمک داده‌های آزمایشگاهی

در بیماری ms، آسیب‌ های وارد شده به فیبر عصبی در داده‌های ساختاری به خوبی قابل تشخیص نیست. لذا استفاده از داده‌های ساختاری به‌تنهایی، موجب پنهان ماندن بیماری می‌شود. این مطلب نشان‌گر اهمیت داده‌های کارکردی در تشخیص زودهنگام بیماری است. در این مقاله به بررسی داده‌های fmri برای دو گروه سالم و بیمار به کمک ابزارهای شبکه ارتباطات کارکردی و شبکه عصبی پرداخته می‌شود. با توجه به اختلال شناختی ناشی از ضایعات ساختاری در مراحل اولیه بیماری، ارائه مدل ارتباطات کارکردی امکان ارزیابی تغییرات مشخصه‌های توپولوژی مغز را فراهم می‌کند. برای این منظور، تعداد 60 سوژه شامل 30 نفر سالم و 30 نفر بیمار در بازه سنی 20 تا 60 سال با دوره بیماری با میانگین 30 ماه و با تعداد حملات متغیر انتخاب شده‌اند. در ادامه یک دیکشنری کامل با حضور سری‌های زمانی داده‌های هر دو گروه استخراج شده و درنهایت، مفهوم ساختار ماژولار از وزن‌های پراکنده برای بیان ارتباطات نواحی مختلف مغز به کار گرفته شده است. بررسی نتایج نشان داد که در کل تعداد 57 ناحیه roi از هر دو گروه افراد سالم و بیمار محاسبه شده که از بین 57 ناحیه به دست آمده، تنها 16 ناحیه در میان دو گروه سالم و بیمار مشترک است.

proposing a solution for diagnosing ms disease using dynamic functional brain connectivity tools and intelligent neural network by experimental data

in ms disease, the damage imposed on the nerve fiber in structural data is not well detectable. therefore, relying solely on structural data can lead to the concealment of the disease. this indicates the importance of functional data in the early diagnosis of ms disease. this article examines the analysis of fmri data for two groups, healthy and ms patients, using dynamic functional brain connectivity tools and intelligent neural networks. due to cognitive impairment caused by structural damage in the early stages of the disease, presenting a dynamic functional connectivity network model provides the ability to evaluate changes in the topological characteristics of the brain. to this end, a total of 60 subjects, including 30 healthy individuals and 30 patients aged 20 to 60 years, and disease duration ranging from 8 to 60 months with a mean of 30 months, and variable attack numbers, were selected. subsequently, a complete dictionary with the time series of data from both two groups was extracted and finally, the modular structure concept from sparse weights was used to express the relationships between different brain regions. reviewing the results showed that a total of 57 roi regions from both healthy and patient groups were calculated out of which only 16 regions were common between the two groups.