بررسی آتروفی هیپوکامپ در تشخیص بیماری آلزایمر با استفاده از تصاویرmri مغز

زمینه و هدف: برای درمان موثر بیماری آلزایمر (ad: alzheimer disease)، تشخیص دقیق این بیماری و مرحله‌‌ی پیش از آن، یعنی اختلال شناختی خفیف (mci: mild cognitive impairment) اهمیت دارد. یکی از مهمترین روشهای تشخیص زودهنگام ad، اندازه‌‌گیری آتروفی است که برای این کار از انواع اسکنهای مغزی مانند mri استفاده می‌شود. هدف اصلی پژوهش حاضر ارایه یک سیستم تشخیص کامپیوتری به ‌‌منظور تشخیص زودهنگام ad، با استفاده از الگوریتم‌‌های یادگیری ماشین، جهت کمک به پزشکان است. سیستم پیشنهادی با بررسی آتروفی هیپوکامپ تصاویر mri مغز، اقدام به تشخیص ad نموده و دقت تشخیص این بیماری را نیز افزایش می‌‌دهد. روش بررسی: در این پژوهش با استفاده از شبکه عصبی کانولوشن و کانتور فعال، عملیات جداسازی هیپوکامپ از سایر بخشهای مغز انجام شد و پس از آن با استفاده از طبقه‌‌بند ماشین‌‌بردار پشتیبان، سه گروه افراد سالم (nc: normal control) به تعداد 44 مورد، افراد مبتلا به ad به تعداد 45 مورد و افراد مبتلا به mci به تعداد 46 مورد تفکیک گردیدند. یافته‌ها: روش پیشنهادی در این مطالعه ، در طبقه‌‌بندی دوکلاسه ad در برابر nc به‌‌ترتیب به میانگین دقت، حساسیت و خاصیت 77/ 98 %، 74/ 98 %و 96/ 97 %دست یافت. همچنین در طبقه‌بندی دوکلاسه mci در برابر nc، این روش به‌‌ترتیب به میانگین 14/ 96 %دقت، 23/ 96 %حساسیت و 21/ 88 %خاصیت دست یافته است. روش پیشنهادی در مقایسه با نزدیکترین روش رقیب در طبقه‌بندی ad در برابر nc به ‌‌ترتیب 64/ 1 % بهبود دقت و 81/ 2 %بهبود حساسیت و در طبقه‌بندی mci در برابر nc به‌‌ترتیب 9/ 8 %بهبود دقت و 16/ 2 %بهبود خاصیت را نشان داد. این بهبود ناشی از استفاده از الگوریتم بهبودیافته تقطیع acm، ترکیب ویژگی‌‌های استخراجی از تصاویر هیپوکامپ با ویژگی‌‌های ایجاد‌‌شده از قبل توسط شبکه imagenet، حذف ویژگی‌‌های نامناسب از بردار ویژگی و همچنین استفاده از شبکه عمیق inception v3 بوده است.نتیجه‌‌گیری: بر اساس نتایج، ترکیب ویژگیهای استخراجی از چندضلعی محیطی هیپوکامپ و ویژگیهای به‌‌دست آمده از شبکه عمیق، جهت تشخیص ad و mci می‌‌تواند کاملا مناسب باشد

Hippocampal Atrophy Studying in Alzheimer's Disease Diagnosis Using Brain MRI Images

Background and Aim: For effective treatment of Alzheimerchr('39')s disease (AD), it is important to accurately diagnosis of AD and its earlier stage, Mild Cognitive Impairment (MCI). One of the most important approaches of early detection of AD is to measure atrophy, which uses various kinds of brain scans, such as MRI. The main objective of the current research was to provide a computerized diagnostic system for early diagnosis of AD, using leraning machine algorithms, to help physicians. The proposed system diagnoses AD by examining the hippocampal atrophy of brain MRI images and increases the accuracy of the diagnosis.Materials and Methods: In this study, hippocampus was segmented from the other parts of the brain by using active contour and convolutional neural network and then, three groups of ldquo;Normal Controls: NC rdquo;, AD and MCI were classified by using the SVM classifier.Results: The proposed method has succeeded in classifying AD against NC with 98.77%, 98.74% and 97.96% in average for accuracy, sensitivity and specificity, respectively. Also in classification of MCI against NC, the mean accuracy, sensitivity and specificity of 96.14%, 96.23% and 88.21% were achieved, respectively. Compared with the nearest rival method, the proposed method showed improvement accuracy and sensitivity of classification AD from NC with 1.64% and 2.81% respectively. Also, in classification of MCI from NC it showed improvement for accuracy with 8.9% and sensitivity with 2.16%, respectively. Improving in results were due to the use of a modified ACM segmentation algorithm, the use of a combination of features extracted from hippocampal images and features already created by the ImageNet network, the removal of inappropriate features from the feature vector, and the use of deep Inception v3 network.Concolusion: Based on the results, the combination of polygon surrounding the hippocampus features and deep network features can be useful for detection of AD and MCI.