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

بیماری آلزایمر 1یک بیماری مخرب مغزی است که با اختلالات پیشرونده شناختی و کاهش حافظه همراه است. و در بیماری های مغزی عموما اتصالت عملکردی2 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 3جهت استخراج اولیه ویژگی و از الگوریتم درخت تصمیم گیری4 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(20 سالم و 24 الزایمر و 15 mci و 17e-mci) و سپس ویژگی مهم داده های عملکردی 5 ,reho 6, alff 7 falff 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 92% 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.

Fusion of Deep CNN learning and Random Forest classifier Applied to functional-connectivity FMRI for the Early Diagnosis and Prognosis of Alzheimers Disease

Alzheimer's disease is a destructive brain disease that typically destroys neurons and their connections in parts of the brain involved memory , the entorhinal cortex and hippocampus . therefore , functional and structural brain connectivity will be generally altered. due to the development of imaging devices and the ability to use several different modalities at the same time, it is possible to study the dieses in patients' brains from different approach.Recently, many studies are trying to find out a impressive way to diagnose the cognitive disease in the early stages to examine functional and structural brain connections. hence, the aim of this project was to investigate to study this relationship and their connectivity that was affected during progressive neurologic disorder. in this study , we propose new pipeline for initial features extraction and decision tree algorithm to classify disease stages. firstly, rs-fmri raw functional data and MRI structural data were preprocessed from ADNI database (20 healthy, 24 Alzheimer's, 15 mci and 17E-mci) and then the important functional features ( , ReHo, ALFF 7 fALFF ) were extracted for all groups .and finally we used the deep neural network method to extract the features and then use the decision tree algorithm to classify the data. The classification accuracy of this method is equal to 92%. The results of this study showed that the use of a combination of deep learning methods and machine learning algorithms can accurately diagnose Alzheimer's disease .