تشخیص بیماری آلزایمر با استفاده از یادگیری عمیق و تصاویر پزشکی

بیماری آلزایمر (‏ad) شایع‌ترین علت زوال عقل و یکی از علل اصلی مرگ و میر در دنیا می باشد. ad یک اختلال عصبی پیش‌رونده و غیرقابل‌برگشت است که باعث از دست رفتن حافظه و مهارت تفکر می‌شود بنابراین تشخیص به هنگام برای مهار روند رشد بیماری و درمان های پیشگیرانه در مراحل اولیه موثرتر خواهد بود. شواهد علمی نشان داده اند که تصویربرداری fmri نسبت به تغییرات مغز در مراحل اولیه ی بیماری حساس است و همچنین fmri حالت استراحت یکی از ابزارهای مناسب جهت مطالعه و بررسی این تغییرات است. با پیشرفت و توسعه ی شبکه های یادگیری عمیق، تشخیص خودکار بیماری ها با استخراج الگوهای مناسب، امکان پذیر شده است. هدف ما در این پژوهش، استفاده از قدرت شبکه های عصبی عمیق و ارائه ی یک روش خودکار جهت تشخیص و طبقه بندی و نمونه های سالم(hc) از بیماران آلزایمر و اختلال شناختی خفیف (mci) است. در این مطالعه، ابتدا بر اساس داده های fmri حالت استراحت، اتصالات مغزی مربوط به هر فرد محاسبه می شود و به این ترتیب با تشکیل ماتریس های اتصالات مغزی، اطلاعات مربوط به شبکه ی مغزی هر فرد ساخته می شود. مطالعات نشان داده اند، اتصالات مغزی بهتر از ویژگی های دیگر می توانند بازگوی ویژگی های عملکردی مغز و حالات ذهنی بیماران آلزایمر باشند. ماتریس های اتصالات مغزی بعنوان ورودی شبکه ی یادگیری عمیق resnet18 تعیین شدند تا جداسازی انجام گیرد. طبقه بندی دو به دوی سه مرحله از بیماری (hc، ad و mci) با میانگین دقت 97/97 ٪ انجام گردید. نتایج به دست آمده از اعمال روش انجام شده نشان می دهد که روش پیشنهادی توانسته است در برخی حالات، نسبت به روش طبقه بندی کلاسیک بهبود ایجاد کند.