تشخیص زودهنگام بیماری ام اس در تصاویر fmri مغز با استفاده از تکنیک‌های یادگیری عمیق

زمینه و هدف: ام اس نوعی بیماری سیستم عصبی مرکزی است که در آن بدن، حمله دفاعی بر روی بافت‌های خود انجام می‌دهد. این بیماری می‌تواند بر روی مغز و نخاع تاثیر بگذارد و باعث ایجاد طیف گسترده‌ای از علایم بالقوه از جمله مشکلات تعادلی، حرکتی و بینایی شود. تصاویر ام آرآی و اف ام آرآی یک ابزار بسیار مهم در تشخیص و درمان بیماری ام اس است. هدف از این مطالعه تعیین و تشخیص تشخیص زودهنگام بیماری ام اس در تصاویر اف ام آرآی مغز با استفاده از تکنیک‌های یادگیری عمیق بود.روش بررسی: این یک مطالعه تجربی می‌باشد که در سال 1399 در دانشگاه آزاد کازرون انجام شد، 1000 تصویر ام ارای از مجموعه‌داده‌های brats بودند و در دو گروه یادگیری و تست به نسبت 70 به 30 درصد وارد مطالعه شدند. در این مطالعه یک شبکه یادگیری عمیق چهار لایه مبتنی بر شبکه عصبی کانولوشن در محیط متلب شبیه‌سازی ‌شده است. در ساختار یادگیری عمیق که خودش توانایی استخراج ویژگی‌ها را دارا بود، از یک روش دیگر برای این کار استفاده کردیم؛ زیرا یادگیری عمیق با این که توانایی استخراج ویژگی‌ها را دارد، اما این کار را تصادفی انجام می‌داد. برای این که مراحل قبلی آن به ‌صورت قطعی باشد، از یک الگوریتم دیگر در داخل حلقه‌های تکرار و داخل لایه پیچش استفاده کردیم تا در زمان آموزش، اولاً کاهش ابعاد ویژگی دهد، دوماً انتخاب بهترین ویژگی‌ها و سوم استخراج ویژگی‌ها را به‌صورت قطعی انجام دهد. یافته‌ها: نمایش گرافیکی منحنی roc نشان داد که میزان حساسیت یا پیش‌بینی درست در مقابل پیش‌بینی نادرست در این سیستم طبقه‌بندی دودویی که آستانه تفکیک در آن متغیر است، مقدار قابل‌توجهی داشت. سطح زیر این منحنی 0.8592 هم‌چنین دقت روش پیشنهادی 98.6891 درصد و میزان حساسیت 94.8766 درصد به دست آمد.نتیجه‌گیری: با توجه ‌به فراوانی بیماری ام‌اس، تشخیص زود هنگام این بیماری و ارایه یک روش هوشمند بر اساس پردازش تصاویرfmri برای درمان ضروری است. این روش هوشمند سعی بر این دارد که بتواند در خصوص تشخیص و درمان با دقت بیشتر، شناسایی بهتر ویژگی‌ها و الگوهای تاثیرگذار به بیماری نسبت به روش‌های پیشین به‌عنوان دستیار پزشکان کمک شایانی کند. در نهایت نتایج به‌دست‌آمده از این پژوهش نشان داد که کارایی روش پیشنهادی در سطح عالی ارزیابی شد و بهینه بودن آن را تا حد ممکن نمایش داد. بعلاوه نتایج به‌دست‌آمده، سریع بودن عملیات آموزش و آزمون داده‌ها در حجم بالا و همگرایی سریع الگوریتم را نشان داد. همچنین توسعه‌پذیری و تعمیم‌پذیری آن ساده‌تر است.

Early Detection of MS in fMRI Images of the Brain Using Deep Learning Techniques

Background aim: MS is a disease of the central nervous system in which the body makes a defensive attack on its tissues. The disease can affect the brain and spinal cord and cause a wide range of potential symptoms, including balance, motor and vision problems. MRI and FMRI images are a very important tool in the diagnosis and treatment of MS. The aim of the present study was to determine and diagnose early diagnosis of MS in MRI images of the brain using deep learning techniques. Methods: The present experimental study was conducted at Kazerun Azad University in 2020. 1000 images were from BRATS data sets and in the two groups of learning and testing, 70 to 30% were included in the study and a deep fourlayer deep learning network based on the network. Convulsive neuralgia is simulated in MATLAB environment. In the deep learning structure, which itself had the ability to extract features, we used another method to do so. For the reason that deep learning, although capable of extracting features was also conducted by chance. In order for the previous steps to be definite, the researchers used another algorithm inside the iteration loops and inside the torsion layer to reduce the dimensions of the feature during the training, secondly to select the best features and thirdly to extract the features definitively.1000 MRI images of BRATS data set in the two groups of learning and testing in the ratio of 70 to 30% were included in the study. A fourlayer deep learning network based on convolutional neural network is simulated in MATLAB environment. In the deep learning structure, which had ability itself to extract features, another method was used to do this. For the reason that deep learning has the ability to extract features, but did so randomly. In order for the previous steps to be definitive, another algorithm was used inside the iterative loops and inside the torsion layer to reduce the dimensions of the feature during the training, secondly to select the best features and thirdly to extract the features definitively. Results: The graphical representation of the ROC curve indicated that the degree of sensitivity or correct prediction against incorrect prediction in this binary classification system in which the separation threshold varies was significant. The area below this curve was 0.8592 and the accuracy of the proposed method was 98.6891 and the sensitivity was 94.8766. Conclusion: Due to the prevalence of MS disease, early diagnosis and presentation of an intelligent method based on fMRI imaging is essential for treatment. This intelligent method tries to be able to help diagnose and treat more accurately, better identify the features and patterns affecting the disease than previous methods as a physician assistant. Finally, the results obtained from the present study revealed that the efficiency of the proposed method was evaluated at an excellent level and showed its optimality as much as possible. In addition, the obtained results indicated the speed of training and testing of data in high volume and fast convergence of the algorithm. It is correspondingly easier to expand and generalize.