1 نتیجه برای شبکه عصبی کانولوشن
مونا سرحدی، محمدامین شایگان،
دوره 15، شماره 1 - ( 1-1400 )
چکیده
زمینه و هدف: برای درمان مؤثر 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 ۴۴ مورد، افراد مبتلا به AD به تعداد ۴۵ مورد و افراد مبتلا به MCI به تعداد ۴۶ مورد تفکیک گردیدند.
یافته‌ها: روش پیشنهادی در این مطالعه ، در طبقهبندی دوکلاسه AD در برابر NC به‌‌ترتیب به میانگین دقت، حساسیت و خاصیت ۷۷/۹۸%، ۷۴/۹۸% و ۹۶/۹۷% دست یافت. همچنین در طبقهبندی دوکلاسه MCI در برابر NC، این روش به‌‌ترتیب به میانگین ۱۴/۹۶% دقت، ۲۳/۹۶% حساسیت و ۲۱/۸۸% خاصیت دست یافته است. روش پیشنهادی در مقایسه با نزدیکترین روش رقیب در طبقهبندی AD در برابر NC به ترتیب ۶۴/۱% بهبود دقت و ۸۱/۲% بهبود حساسیت و در طبقهبندی MCI در برابر NC به‌‌ترتیب ۹/۸% بهبود دقت و ۱۶/۲% 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 v۳ 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
